通过自研代码，对k-means聚类分析的原理进行实现，不依赖于现成的聚类库。

简介：
一、实验目标　　　　1、通过运用 K-means 聚类算法，旨在探索不同类别数量 K 的影响，并对由此产生的聚类结果进行详尽的分析与评估。　　　　2、依据 8:2 的比例，随机地将数据集分割为训练集和测试集，并且至少尝试三种不同的类别数量 K 值。随后，绘制出不同 K 值下所得到的聚类结果图表，以及在训练集和测试集上运行模型的损失函数曲线。最后，对这些结果进行深入的讨论，从而识别出能够最好地解释所分析数据的最佳类别数量 K 值。 二、算法原理　　　　首先需要确定合适的 k 值参数。随后，随机选取 k 个初始点作为聚类中心，然后根据每个数据点到这些初始聚类中心的距离进行聚类分析。每一个数据点将被分配到离其最近的聚类中心所属的类别中。接着，根据每类聚类中心的均值值进行迭代更新和优化，不断调整聚类中心的位置。在迭代完成之后，分别计算训练集和测试集的损失函数 SSE_train 和 SSE_test ，并绘制相应的图表以直观地展示这些结果。