更改

k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，J的值没有发生变化，说明算法已经收敛。

k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，J的值没有发生变化，说明算法已经收敛。

<math>V=\sum_{i=1}^k \sum_{x_j\in S_i} ({x_j -\mu_{i})}^2

::<math>V=\sum_{i=1}^k \sum_{x_j\in S_i} ({x_j -\mu_{i})}^2</math>

</math>

算法过程如下：

算法过程如下：

具体如下：

具体如下：

输入：'''k''' , '''data[n]'''

输入：<math>k</math> ,<math>data[n]</math>

（1）选择k个初始中心点，例如 c[0] = data[0],…c[k-1] = data[k-1] ；

（1）选择k个初始中心点，例如 c[0] = data[0],…c[k-1] = data[k-1] ；