K－Means優(yōu)點：

1）算法快速、簡單；

2）對大數(shù)據(jù)集有較高效率并且是可伸縮性的；

3）確定的K 個劃分達到平方誤差最小；

4）時間復雜度近于線性，而且適合挖掘大規(guī)模數(shù)據(jù)集。K－Means聚類算法的時間復雜度是O（nkt） ，其中n代表數(shù)據(jù)集中對象的數(shù)量，t代表著算法迭代的次數(shù)，k代表著簇的數(shù)目，且k＜＜n，t＜＜n。

K－Means缺點：

1） 在K－means 算法中 K 是事先給定的，這個 K 值的選定是非常難以估計的；

2） 在K－means 算法中，初始聚類中心的選擇對聚類結果有較大影響，一旦初始值選擇的不好，可能無法得到有效的聚類結果；

3） 從K－means 算法框架可以看出，該算法需要不斷地進行樣本分類調(diào)整，不斷地計算調(diào)整后的新聚類中心，因此當數(shù)據(jù)量非常大時，算法時間開銷非常大。

K－Means算法改進：

1）針對K 值選定難以估計問題，通過類的自動合并和分裂，得到較為合理的類型數(shù)目 K，例如，ISODATA算法。

2）針對初始值選擇不好無法得到有效聚類結果問題，可采用遺傳算法GA（參見人工智能（28））進行初始化，以內(nèi)部聚類準則作為評價指標。

3）針對算法時間開銷大問題，采用對樣本數(shù)據(jù)進行聚類，無論是初始點的選擇還是一次迭代完成時對數(shù)據(jù)的調(diào)整，都是建立在隨機選取樣本數(shù)據(jù)的基礎上，這樣可以提高算法的收斂速度。

K－Means應用場景：

K－means 算法具有快速、簡單，對大數(shù)據(jù)集有較高效率和可伸縮性等優(yōu)點，是最為經(jīng)典，也是使用最為廣泛的聚類算法。K－means算法在機器學習、知識發(fā)現(xiàn)和數(shù)據(jù)挖掘等領域得到廣泛應用。

結語：

K－Means是聚類算法中最為簡單、高效且易于理解。K－Means算法采用誤差平方和準則函數(shù)作為聚類準則函數(shù)。K－Means算法有其缺點，但大多缺點都可以克服，最大的優(yōu)點就是算法復雜度低，可以在短時間內(nèi)處理海量數(shù)據(jù)，這對于當今數(shù)據(jù)爆炸時代非常重要！K－Means算法在世界上廣為流傳，得到極大的關注。K－Means算法在機器學習、知識發(fā)現(xiàn)和數(shù)據(jù)挖掘等領域得到廣泛應用。通過研究K－means算法，可以發(fā)現(xiàn)：一個真正偉大的算法不是因為它有多么復雜，而是它能夠用最簡單的原理解決最復雜的問題！