其他具有更好特征的聚类算法往往更昂贵。在这种情况下，k-means 成为预聚类的一个很好的解决方案，将空间减少为可以应用其他聚类算法的不相交的较小子空间。

K-means 是最简单的。实施和运行。您需要做的就是选择“k”并运行它多次。

大多数更聪明的算法（尤其是好的算法）更难有效实现（您会看到运行时差异的 100 倍因素）并且需要设置更多参数。

另外，大多数人不需要高质量的集群。他们实际上对远程为他们工作的任何事情感到满意。另外，当他们有更复杂的集群时，他们真的不知道该怎么做。K-means 使用有史以来最简单的模型（质心）对集群进行建模，这正是他们所需要的：将大量数据简化为质心。

K-means 类似于交换排序算法。易于理解，有助于进入主题，但永远不应该用于任何真实的事情。在交换排序的情况下，即使是冒泡排序也更好，因为如果数组部分排序，它可以提前停止。在 K-means 的情况下，EM 算法是相同的算法，但假设集群的高斯分布而不是 K-means 的均匀分布假设。当所有簇都具有对角协方差矩阵时，K-means 是 EM 的边缘情况。高斯结构意味着集群以一种非常好的方式将自身收缩到数据中。这绕过了您在问题中正确提出的严重反对意见。而且 EM 并不比 K-means 贵多少，真的。（我可以在 Excel 电子表格中实现两者。）但是对于严重的集群应用程序，