算法1. K-Means聚类

输入：数据集C，聚类数K

输出： ${\pi }_K=\left\{C_1,\cdots ,C_K\right\}$

步骤1：在C中随机选取K个样本，记作 $\left\{{\mu }_1,\cdots ,{\mu }_K\right\}$ ，作为聚类中心；

步骤2：计算剩余的每个样本 $x_j$ 与每个聚类中心 ${\mu }_i\left(1\le i\le K\right)$ 的距离 $d_{ji}$ ： $d_{ji}={\Vert x_j-{\mu }_i\Vert }_2$ ，并将其样本归到距离 $x_j$ 最近的中心 ${\mu }_i$ 所在的类 $C_i=\left\{x_j|d_{ji}\le d_{jl},l\ne i\right\}$ ；

步骤3：重新计算已经得到的各个类的聚类中心 ${{\mu }^{\prime }}_i$ ： ${{\mu }^{\prime }}_i=\frac{1}{\left|C_i\right|}{\displaystyle {\sum }_{x\in C_i}x}$ ，令 ${\mu }_i={{\mu }^{\prime }}_i$ ；

步骤4：迭代步骤2和步骤3，直到新的聚类中心不再发生变化或迭代次数达到最大为止。