s算法接受输入量k；然后将
个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
大体上说，kmea
s算法的工作过程说明如下：首先从
个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度，分别将它们分配给与其最相似的聚类；然后再计算每个所获新聚类的聚类中心；不断重复这一过程直到标准测度函数开始收敛为止。一般都采
3
f用均方差作为标准测度函数。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
假设数据集D包含
个欧氏空间中的对象。划分方法把D中的对象分配到K个簇C1Cj中，使得对象1i，j≤kCiD且CiCj，一个目标函数用来评估划分的质量，使得簇内对象相互相似，而与其他簇中的对象相异。也就是说，该目标函数以簇内高相似性和簇间低相似性为目标。
基于形心的划分Ci技术使用簇的形心代表该簇。对象sCi与该簇的代表ci之差用dist（s，ci）度量，其中dist（x，y）sqrt∑xi1yi22这里i12
。簇Ci的质量可以用簇内变差度量，它是Ci中所有对象和形心ci之间的误差的平方和，
k
αdistsci2i1pci
（1）
其中，α是数据集中所有对象的误差的平方和；s是空间中的点，表示给定的
数据对象；ci是簇Ci的形心2。
22kmea
s算法流程
kmea
s算法流程，首先，随机的选择k个对象，每个对象初始地代表了一个聚类的平均值或中心，对剩下的各个对象，根据其与每个聚类中心的欧氏距离，将它派发给最相似的聚类。之后，应用更新之后的均值作为新的聚类中心，再重新分配全部对象。继续迭代，一直到分配趋于稳定，也就是本轮迭代所形成聚类与前一轮形成的聚类相同。
3、Kmea
s聚类算法的参数及其改进
kmea
s聚类算法需要用户指定3个参数：类别个数K，初始聚类中心、相似性和距离度量。针对这3个参数，kmea
s聚类算法出现了不同的改进和变种。
31基于K值的改进
在kmea
s算法中k是事先给定的，这个k值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。这也是kmea
s算法的一个不足。有的算法是通过类的自动合并和分裂，得到较为合理的类型数目K，例如ISODATA算法。1解决方法聚类有效性函数
4
f根据聚类有效性函数的方法是非常简单的一种解决方法，从［2，N］的r