k-means算法的优、缺点
1、优点：
①简单、高效、易于理解
②聚类效果好
2、缺点：
①算法可能找到局部最优的聚类，而不是全局最优的聚类。使用改进的二分k-means算法。
②算法的结果非常依赖于初始随机选择的聚类中心的位置，可以通过多次执行该算法来减少初始中心敏感的影响。方法1：选择彼此距离尽可能远的k个点作为初始簇中心。方法2：先使用canopy算法进行初始聚类，得到k个canopy中心，以此或距离每个canopy中心最近的点作为初始簇中心。
③聚类结果对k值的依赖性比较大。目前并没有一个通用的理论来确定这个k值。
④可能发生距离聚类中心最近的样本集为空的情况，因此这个聚类中心不变无法得到更新。
⑤对离群点和孤立点敏感。通过LOF（局部离群因子）检测算法对数据集进行预处理，去除离群点后再进行聚类。
⑥性能问题。原始的k-means算法，每一次迭代都要计算每一个观测点与所有聚类中心的距离，当观测点的数目很多时，算法的性能并不理想。时间复杂度为O(nkl)，l为迭代次数，n为数据集容量。为了解决这一问题，我们可以使用kd树以及ball 树（数据结构）来提高k-means算法的效率。
优化方法
二分k-means算法：首先将整个数据集看成一个簇，然后进行一次k-means（k=2）算法将该簇一分为二，并计算每个簇的误差平方和，选择平方和最大的簇迭代上述过程再次一分为二，直至簇数达到用户指定的k为止，此时可以达到的全局最优。
Canopy算法：首先给定两个距离T1和T2，T1>T2。从数据集中随机有放回地选择一个点作为一个canopy中心，对于剩余数据集中的每个点计算其与每个canopy中心的距离，若距离小于T1，则将该点加入该canopy中；若距离小于T2，则将其加入该canopy的同时，从数据集中删除该点，迭代上述过程，直至数据集为空为止。
canopy算法会得到若干个canopy，可以认为每个canopy都是一个簇，只是数据集中的点可能同时属于多个不同的canopy，可以先用canopy算法进行粗聚类，得到k值和k个初始簇中心后再使用k-means算法进行细聚类。
k-means算法的k值自适应优化算法：首先给定一个较大的k值，进行一次k-means算法得到k个簇中心，然后计算每两个簇中心之间的距离，合并簇中心距离最近的两个簇，并将k值减1，迭代上述过程，直至簇类结果（整个数据集的误差平方和）不变或者变化小于某个阈值或者达到指定迭代次数为止。