K－Means优点：
1）算法快速、简单；
2）对大数据集有较高效率并且是可伸缩性的；
3）确定的K 个划分达到平方误差最小；
4）时间复杂度近于线性，而且适合挖掘大规模数据集。K－Means聚类算法的时间复杂度是O（nkt） ，其中n代表数据集中对象的数量，t代表着算法迭代的次数，k代表着簇的数目，且k＜＜n，t＜＜n。
K－Means缺点：
1） 在K－means 算法中 K 是事先给定的，这个 K 值的选定是非常难以估计的；
2） 在K－means 算法中，初始聚类中心的选择对聚类结果有较大影响，一旦初始值选择的不好，可能无法得到有效的聚类结果；
3） 从K－means 算法框架可以看出，该算法需要不断地进行样本分类调整，不断地计算调整后的新聚类中心，因此当数据量非常大时，算法时间开销非常大。
K－Means算法改进：
1）针对K 值选定难以估计问题，通过类的自动合并和分裂，得到较为合理的类型数目 K，例如，ISODATA算法。
2）针对初始值选择不好无法得到有效聚类结果问题，可采用遗传算法GA（参见人工智能（28））进行初始化，以内部聚类准则作为评价指标。
3）针对算法时间开销大问题，采用对样本数据进行聚类，无论是初始点的选择还是一次迭代完成时对数据的调整，都是建立在随机选取样本数据的基础上，这样可以提高算法的收敛速度。
K－Means应用场景：
K－means 算法具有快速、简单，对大数据集有较高效率和可伸缩性等优点，是最为经典，也是使用最为广泛的聚类算法。K－means算法在机器学习、知识发现和数据挖掘等领域得到广泛应用。
结语：
K－Means是聚类算法中最为简单、高效且易于理解。K－Means算法采用误差平方和准则函数作为聚类准则函数。K－Means算法有其缺点，但大多缺点都可以克服，最大的优点就是算法复杂度低，可以在短时间内处理海量数据，这对于当今数据爆炸时代非常重要！K－Means算法在世界上广为流传，得到极大的关注。K－Means算法在机器学习、知识发现和数据挖掘等领域得到广泛应用。通过研究K－means算法，可以发现：一个真正伟大的算法不是因为它有多么复杂，而是它能够用最简单的原理解决最复杂的问题！
