解决问题

将样本划分为由类似的对象组成的多个类的过程（聚类）。
聚类后，可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。
（KMeans本质上是一种基于欧式距离度量的数据划分方法）
ps. 分类是已知类别的，聚类未知。

算法流程

K-means聚类算法：

指定需要划分的簇的个数K值（类的个数）;
随机地选择K个数据对象作为初始的聚类中心（不一定要是我们的样本点）;
计算其余的各个数据对象到这K个初始聚类中心
的距离，把数据对象划归到距离它最近的那个中心所
处在的簇类中;
调整新类并且重新计算出新类的中心;
循环步骤三和四，看中心是否收敛（不变），如
果收敛或达到迭代次数则停止循环;
结束

公式过程： k-means聚类算法

模型特性

K-means聚类优点：
（1）算法简单、快速。
（2）对处理大数据集，该算法是相对高效率的。
当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。

K-means聚类缺点：
（1）要求用户必须事先给出要生成的簇的数目K。
（2）对初值敏感。
（3）对于孤立点数据敏感。

ps. K‐means++算法可解决2和3这两个缺点。
K-means++算法选择初始聚类中心的基本原则是：
初始的聚类中心之间的相互距离要尽可能的远。（只对K-means算法“初始化K个聚类中心” 这一步进行了优化）
即进行预处理优化：

步骤一：随机选取一个样本作为第一个聚类中心；

步骤二：计算每个样本与当前已有聚类中心的最短距离（即与最近一个聚类中心的距离），这个值越大，表示被选取作为聚类中心的概率较大；
最后，用轮盘法（依据概率大小来进行抽选）选出下一个聚类中心；

步骤三：重复步骤二，直到选出K个聚类中心。选出初始点后，就继续使用标准的K-means算法了。

使用方法

利用Spss软件
默认使用的是K-means++算法
利用matlab软件

X2 = zscore(X);      % zscore方法标准化数据  

Y2 = pdist(X2);      % 计算距离（默认欧式距离）

Z2 = linkage(Y2);    % 定义变量之间的连接，用指定的算法计算系统聚类树

T = cluster(Z2,6);   % 创建聚类

H = dendrogram(Z2);  % 作出系谱图（散点聚类图看腻了，这里画个系谱图）