通常，對原始數(shù)據(jù)表執(zhí)行k -means聚類分析，其中每行表示對象，列表示對象的定量特征。這些定量特征稱為聚類變量。例如，表中有18個對象，并且有兩個聚類變量x和y。在實際應(yīng)用程序中，通常會有更多對象和更多變量。例如，在市場細分中，其中k-means用于查找具有相似需求的消費者群體，每個對象是一個人，每個變量通常是對各種事物對消費者的重要程度（例如，質(zhì)量，價格，客戶服務(wù)，便利性）的評級。

步驟1：指定簇數(shù)（k）。k -means的第一步是指定簇的數(shù)量，稱為k。傳統(tǒng)上，研究人員將多次進行k -means，探索不同數(shù)量的聚類（例如，從2到10）。

步驟2：將對象分配給群集。最直接的方法是將對象隨機分配給集群，但還有許多其他方法（例如，使用分層集群）。在下圖中，18個對象在散點圖上用點表示，其中x由每個對象的水平位置顯示，y由垂直顯示。對象已被隨機分配到兩個聚類（k = 2），其中一個聚類顯示為填充點，另一個聚類顯示未填充點。

步驟3：計算集群意味著。對于每個簇，計算每個變量的平均值。在下圖中，由點的水平位置（x）表示的變量的填充點的平均值約為15;對于垂直維度上的變量，它大約是12。這兩種方式用實心十字表示?；蛘?，略有不同：填充的十字架位于黑點的中間。同樣，白色十字位于白點的中間。這些交叉被不同地稱為聚類中心，聚類均值和聚類中心。

步驟4：將每個觀察分配到最近的聚類中心。在上圖中，一些填充點更接近白色十字，一些白點更接近黑色十字。

步驟5：重復(fù)步驟3和4，直到解收斂?？纯瓷厦娴膱D，我們可以看到十字架（集群意味著）不再準(zhǔn)確。在下面的圖中，它們已經(jīng)使用步驟3重新計算。在該示例中，聚類分析已經(jīng)收斂（即，重新分配觀察和更新裝置不能改進解決方案）。在具有更多數(shù)據(jù)的示例中，通常需要更多次迭代（即，重復(fù)步驟3和4直到?jīng)]有響應(yīng)者改變?nèi)杭?/span>