k-means算法为常见的聚类算法。
算法的大致思路为：
首先指定要分多少类（k），然后指定k个类中心点的初始坐标。
线性扫描所有的点，计算其至各中心点的距离，选择最小距离使自己归于此类。然后更新各个类中心点的坐标。
迭代上述步骤直至达到收敛条件。
伪码如下：
但是，k初始以及中心点坐标初始值的随机选定可能会对结果造成影响。
k初始值我们可以采用手肘法：
（图片取自知乎@是泽哥啊）
取每个点至其所在类中心点的总距离，然后取其拐点（3）。
还可以采用蒙特卡洛模拟，自动取得k值。
解决随机选取中心点的坐标的问题可以采用**k-means++**算法。
但是，每次都要线性扫描所有的比较耗时。
为了提高效率，我们可以采用kd树。
kd树即在n维空间（坐标为n维时），以垂直于坐标轴的方法进行空间切分。且切分位置为其坐标的中位数，如下图所示：
kd树为二叉树，初始时，二叉树的根节点为整个坐标空间，然后左右子树为被其切分的两个区域，重复，直到切分到区域中没有坐标点为止。
来源：CSDN
作者：JLUspring
链接：https://blog.csdn.net/qq_37724465/article/details/103834700