K-Means是一种无监督学习算法，用于将数据分成K个不同的组（簇）。它通过最小化簇内数据点到簇中心的距离平方和（SSE），使同一簇内的点尽可能相似，不同簇的点尽可能不同。广泛应用于客户细分、图像压缩、文档分类等领域。

① 初始化：选择K个初始中心点。
② 分配步骤：将每个数据点分配到距离最近的中心点所属的簇。
③ 更新步骤：重新计算每个簇的中心（簇内所有点的均值）。
④ 重复：迭代执行②③直到收敛（中心点几乎不再移动）或达到最大迭代次数。

常用肘部法则（Elbow Method）：尝试不同K值，绘制SSE随K变化的曲线，找到曲线"拐点"。也可使用轮廓系数（Silhouette Score）评估聚类质量。实际应用中需结合业务场景和数据特点综合判断。

标准随机初始化可能选择过于接近的中心点，导致收敛到局部最优。K-Means++通过概率方式选择初始中心：第一个中心随机选择，后续中心倾向于选择距离已有中心较远的点，显著提高聚类质量和收敛速度。

① 对异常值敏感（离群点会显著影响均值）；② 假设簇是球形分布，对非凸形状效果差（可尝试本工具的环形数据体验）；③ 需要预先指定K值；④ 结果依赖于初始中心的选择。可用K-Medoids或DBSCAN等算法补充。

SSE（Sum of Squared Errors）是每个数据点到其所属簇中心的欧氏距离的平方和。它是K-Means优化的目标函数，SSE越小表示簇内点越紧密。观察SSE随迭代下降的过程，可直观理解算法的优化方向。