1、什么是 k-means？
k-means是一种无监督的分类学习算法。它的基本原理是以距离作为相似度的评价指标，用样本点到类别中心的误差平方和作为聚类好坏的评价指标，通过迭代的方法使总体分类的误差评分和函数达到最小的聚类方法。
2、 k-means聚类的k如何确定 ?
确定k-means聚类的k值是一个重要的问题。一种常用的方法是肘部法，即随着k值增大，误差值会越来越小，选择使误差平方和下降最快的k值作为最优的k值。另一种方法是使用轮廓系数，结合内聚度和分离度两种因素来评价不同k值下的聚类效果，选择轮廓系数最大的k值作为最优的k值。
3、k-means聚类的优缺点 ?
k-means聚类的优点包括简单、易于理解和实现，以及时间复杂度低。然而，它也有一些缺点。首先，k-means需要对均值给出定义，并且需要预先指定要聚类的数目k。其次，一些过大的异常值会对聚类结果产生很大影响。此外，k-means算法对初始选值敏感，可能导致不同的初始选值产生不同的聚类结果。最后，k-means更适合球形聚类，对于非球形或不规则形状的聚类可能效果不佳。
4、k-means聚类和层次聚类的差异 ?
k-means聚类和层次聚类的主要差异在于聚类的方式和适用场景。k-means聚类是一种基于距离的聚类方法，通过迭代将数据划分为k个固定的聚类。而层次聚类则通过构建树状图来揭示数据的层次结构，可以聚类成其他形状，并且不需要预先制定聚类数。因此，在选择聚类方法时，需要根据数据集的特征和对聚类结果的期望来决定。
5、k-means聚类如何更好地规避初始点的选择对模型造成的误差 ?
为了更好地规避初始点的选择对k-means模型造成的误差，可以采取一些策略。例如，可以多次运行k-means算法，每次使用不同的初始点，并选择最优的聚类结果。另外，也可以采用一些改进的k-means算法，如k-means++，它使用更智能的初始点选择策略来减少误差。
6、k-means 聚类 和DBSCAN 模型的差异和优缺点
k-means聚类和DBSCAN模型在聚类方法、适用场景和优缺点等方面存在显著差异。k-means是基于距离的聚类方法，适用于凸数据集和球形聚类，但对初始选值和异常值敏感。而DBSCAN是基于密度的聚类方法，可以对任意形状的稠密数据集进行聚类，并在聚类的同时发现异常点，但对密度不均匀的数据集聚类效果可能不佳。