5.2 K-Means算法的优点与缺点

K-Means算法是聚类算法中较为基础的一种，常常作为教学案例来说明聚类算法的思想和意义。

5.2.1 K-Means算法的优点

K-Means算法的优点是由其简单性所带来的，可以概括为以下三点。

第一，是解决聚类问题的一种经典算法，简单、快速。

第二，对处理大数据集，K-Means算法保持可伸缩性和高效率。

第三，当结果簇是密集的，K-Means算法的效果较好。

5.2.2 K-Means算法的缺点

正是由于K-Means算法的简单性，也随之带来了一系列的缺陷，可以概括为以下四点。

第一，K-Means算法属于“硬聚类”，即对样本的分类是非黑即白的。样本属于其中某一类，就不能属于另一类。对于此问题的改进有高斯混合算法和模糊K-Means等。

第二，K-Means算法中每一类中心点的位置容易受该类异常点影响，对噪声的免疫性差，因此产生了K-Centers算法，该算法在选择中心点时，不是简单将平均值作为中心点，而是选择离每类平均值最近的样本点作为中心点，避免了均值点容易受离群值干扰的问题。

第三，训练时必须指定应该把数据聚成几类，无法让系统自己判断类数。

第四，对于成团状的数据区分度好，对于成带状或环状的数据区分度不好。