1. k-means的步骤：
先随机选择K个簇中心，
1）划分样本：每个样本分配到距离最近的簇。
2）更新簇中心位置：计算分配之后每个簇的中心位置，更新簇中心位置。
迭代上述过程，直到簇中心位置不变。
2. 代价函数
迭代完成后，每个样本距离所属簇中心的距离的均方和。
稍微说明了下，上述迭代过程就是最小化代价函数的过程（分别从样本相对于簇中心的距离，和簇的位置，两个维度的最小化）
3. 随机初始化
建议的做法，随机选择K个样本，作为初始化簇中心位置。
但这可能会带来局部最优解，为了防止这种情况，可以进行多次kmeans算法（50—1000次），取代价函数最小的聚类结果。这个方法对K值比较小的情况比较有用。K值很大的情况，多次进行kmeans改善不大。
4. 选取聚类数量（K）
一种方法是“肘部法则”——横轴是K，纵轴是代价函数，画出曲线，选择曲线出现明显拐点（“肘部”）的点的横坐标作为最优的K值。但通常实际情况下不会有明显的肘部。
另一种比较常用的方法是，根据实际的业务需求（想要分几类）来确定。
附，老师画的肘部曲线好萌
