更改

（1）从<math> n </math>个数据对象任意选择<math> k </math>个对象作为初始聚类中心；

（1）从<math> n </math>个数据对象任意选择<math> k </math>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；

（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）

（3）重新计算每个（有变化）聚类的均值（中心对象）

（4）重复(2)(3)，直到每个聚类不再发生变化为止

（4）重复(2)(3)，直到每个聚类不再发生变化为止

k-means算法接受输入量<math> k </math>；然后将<math> n </math>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算法接受输入量<math> k </math>；然后将<math> n </math>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。