k均值与K近邻算法

k均值算法：（kmeans聚类算法）
1，从输入样本随机选取k个样本中心点，
2，计算每一个样本距离k的中心点的距离，并且比较大小，取离中心点最近的点与中心点归为一类，
3，重新计算每个簇的质心，作为该簇的样本中心点，
4，如何再次计算每个样本距离中心点的距离，重复2，3。直至距样本中心的误差平方和最小即可。

k近邻算法：（KNN分类算法）。K 值的选择，距离度量（一般采用欧氏距离）和分类决策规则（少数服从多数）是该算法的三个基本要素
即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居），
这K个实例的多数属于某个类，就把该输入实例分类到这个类中.
特点：1.分类器不需要使用训练集进行训练，训练时间复杂度为0。
2.KNN 分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为 n，那么 KNN 的分类时间复杂度为O(n)。
3.由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。