K-Means 算法原理：欧式距离之外的距离度量

K-Means 算法的原理是将 n 个数据点分成 k 个簇，每个簇的数据点到该簇的中心点的距离平方和最小。它的步骤包括：初始化 k 个簇的中心点，计算每个数据点到各个中心点的距离，将数据点分配到距离最近的簇中，更新每个簇的中心点，重复以上步骤直到簇不再发生变化或达到指定的迭代次数。

除了欧式距离，K-Means 还可以使用其他距离度量，如曼哈顿距离、切比雪夫距离、马氏距离等。这些距离度量适用于不同的数据类型和应用场景。例如，曼哈顿距离适用于城市街区中的路径规划，切比雪夫距离适用于棋盘格上的路径规划，马氏距离适用于具有相关性的数据点。