接下来，更新聚类中心。每个簇的中心移到其所有点的平均位置。动画中，黑色的“X”移动到每个簇的中心，更好地代表簇内数据。由于数据点较多，簇的边界非常明显。更新中心后，再次将数据点分配到最近的中心。部分点可能因为中心移动而换到其他簇。动画中，少数点的颜色变化，反映了重新分配，但整体簇结构已接近稳定。算法重复分配和更新步骤。每次迭代，聚类中心逐渐稳定，点的颜色变化越来越少。由于簇间差异大，算法很快收敛，簇的划分非常清晰。最终，聚类中心停止移动，算法收敛。我们得到 3 个稳定的簇！每个簇的学生在语文和数学成绩上高度相似，簇间差异明显。这就是 K-Means 算法的强大之处！通过这个动画，我们看到 K-Means 的核心步骤：初始化中心、分配簇、更新中心，循环直到稳定。100 个数据点和清晰的簇结构让我们更直观地理解算法效果。这个算法简单高效，适用于成绩分析、市场分群等领域。希望大家通过动画更深入地掌握了 K-Means！K - Means算法有很多优点，它简单易懂，计算效率也比较高，非常适用于大规模数据集的处理。不过，它也存在一些缺点。