我想知道K-Mean和K-Means ++算法之间的区别。如果有人理解K-Means ++算法的流程，你能用例子解释我吗？虽然，我理解K-Mean算法，找到方法实现K-Means ++算法对我来说很难，因为我不明白这个算法的工作流程：显然。 谢谢大家。
答案 0 :(得分：2)
说你想知道 k-means 和 k-means ++ 之间的区别是不准确的。因为，这两种算法不具有可比性，而是相互融合。
来自维基百科的Kmeans++定义：
k-means ++是一种为k-means聚类算法选择初始值（或＆＃34;种子＆＃34;）的算法
并且需要存在这样的算法，因为k-means在性能和准确性方面存在问题（取决于您分析数据的方式和整个预处理步骤）。
关于你的问题：
找到如何实施K-Means ++算法对我来说很难，因为我不明白这个算法的工作流程：显然。
从数据集中的随机点开始，然后计算集合中每个点与所选点之间的距离（欧几里德距离可以是您的选择之一）。然后，使用weighted probability distribution随机选择一个新数据点作为新中心，其中选择点x，probability proportional到D（x）2。并且重做同样的事情（除了从随机点开始），直到你到达你需要的k个集群（k应该作为参数传递给算法。）
之后您拥有k群集，您可以继续使用k-means。
注意这主要是来自维基百科，但我的观点是，你将k-means ++作为k-means的替代品，而不是，这就是前面提到的定义。
最后，k-means ++足以帮助克服k-means所具有的一些问题，但是通过将簇的数量（k）作为输入参数传递给它，它就不再可扩展了。但是，如果您感兴趣的话，还有另一个名为k-means2的k-means版本（我没有搜索其他来源）可能会克服可扩展性问题。