kmeans原理如下：
輸入：聚類個數k，以及包含n個數據物件的資料庫。輸出：滿足方差最小標準的k個聚類。
K-means演算法是很典型的基於距離的聚類演算法，採用距離作為相似性的評價指標，即認為兩個物件的距離越近，其相似度就越大。該演算法認為簇是由距離靠近的物件組成的，因此把得到緊湊且獨立的簇作為最終目標。K-Means演算法是無監督的聚類演算法，它實現起來比較簡單，聚類效果也不錯，因此應用很廣泛。K-Means演算法有大量的變體，本文就從最傳統的K-Means演算法講起，在其基礎上講述K-Means的優化變體方法。包括初始化優化K-Means++,距離計算優化elkanK-Means演算法和大資料情況下的優化MiniBatchK-Means演算法。
