5.2.2 K-Mean聚类算法
K-Means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据换分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
算法过程
连续属性
要先对各个属性值进行 零 - 均值规范，再进行距离计算。在K-Means中聚类算法中，一般需要度量样本之间的距离、样本与簇之间的距离、簇与簇之间的距离
零-均值规范化
也称为标准差标准化，经过处理的数据的均值为0，标准差为1。
转化公式： 当前使用最多的数据标准化方法
实践中，为得到较好的结果，通常选择不同初始聚类中心，多次运行K-Means算法。
在所有对象分配完成后，重新计算K个聚类的中心时，对于连续数据，聚类中心取该簇的均值，但当样本的某些属性是分类变量时，均值可能无定义，可以使用K-众数方法。
使用误差平法和SSE（sum of squared errors）作为度量聚类质量的目标函数，对于两种不同的聚类结果，选择误差平方和较小的分类结果
总结
分群1特点：R间隔相对较大，主要集中在30 80天；消费次数集中在0 15次；消费金额在：0~2000;
分群2特点：R间隔相对较小，主要集中在0 30天；消费次数集中在0 10次；消费金额在：0~1800;
分群3特点：R间隔相对较小，主要集中在0 30天；消费次数集中在10 25次；消费金额在：500~2000;
对比分析
分群3时间间隔短，消费次数多，消费金额大，是高消费、高价值人群。
分群2时间间隔、消费次数、消费金额中等水平，代表着一般价值客户。
分群1时间间隔长、消费次数较少、消费金额不是特别高，价值较低的客户群体。
