K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，两个对象的距离越近，其相似度就越大。K-means算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

k-means聚类，需要用户设定一个聚类个数k作为输入数据。k个初始类聚类中心点的选取，对聚类结果具有较大的。为了用k-means达到高质量的聚类，需要估计k值。可根据需要的聚类个数，估计k值。

比如一百万篇文章，如果平均500篇分为一类，k值可以取2000(1百万/500)。

算法步骤

1)随机选取任意k个对象作为初始聚类中心，初始代表一个簇；

2)计算点到质心的距离，并把它归到最近的质心的类；

3)重新计算已经得到的各个类的质心；

4)迭代2~3步直至新的质心与原质心相等或小于指定阈值，算法结束。

EM的典型

这种两步算法是最大期望算法(EM)的典型例子，第一步是计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化(M)，最大化在E 步上求得的最大似然值来计算参数的值。M 步上找到的参数估计值，被用于下一个E 步计算中，这个过程不断交替进行。

运行k-means聚类

K-mean聚类用到KMeansClusterer或KMeansDriver类，前一个是在内存(in-memory)里对节点聚类，后者采用MapReduce任务执行。

这两种方法可以：从盘上读取和写入数据，就像普通的Java程序。也可以通过分布式文件系统读写数据，在hadoop上执行聚类。先测试运行KMeansExample，使用一个随机点生成函数来创建一些点。这些点，生成向量格式的点，以正态分布出现，围绕着一个中心。可使用KMeansClusterer聚类方法，对这些点聚类。

k-means聚类输出的两类目录

clusters-*目录：在每一轮迭代末尾生成，clusters-0目录在第1轮迭代之后生成，clusters-1目录在第2轮迭代后生成，以此类推。包含了簇的信息：中心、标准差等。

clusteredPoints目录：包含了从簇ID到文档ID的最终映射。是根据最后一轮MapReduce操作的输出生成的。