K-MEANS算法的处理流程 （1）从 n个数据对象任意选择 k 个对象作为初始聚类中心；（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；（3）重新计算每个（有变化）聚类的均值（中心对象）；（4）计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤（2）。k-means 算法接受输入量 k；然后将n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。k-means 算法的工作过程说明如下：首先从n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（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；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。算法的时间复杂度上界为O(n*k*t)，其中t是迭代次数。k。
无监督学习算法有哪些？ 比如在keras的官方教程（https：//blog.keras.io/building-autoencoders-in-keras.html）有这样一段程序： autoencoder.fit(x_train，x_train，… 这里输入和标签数据都是训练。
数据挖掘题目，K—均值算法应用 第一轮A1(2，10)B1（5，8），A3（8，4），B2（7，5），B3（6，4），C2（4，9）C1（1，2），A2（2，5）对应中心分别是（2，10)，（6，6），(1.5，3.5)最后结果：｛A1(2，10)，B1（5，8），C2（4，9）｝｛A3（8，4），B2（7，5），B3（6，4）｝｛C1（1，2），A2（2，5）｝
