一、项目背景详细介绍
在数据分析、机器学习、模式识别以及人工智能领域中，聚类（Clustering） 是一种极其重要的无监督学习方法。与分类（Classification）不同，聚类并不依赖任何已知标签，而是试图从数据本身的结构中，自动发现潜在的分组模式。
在所有聚类算法中，K-Means 聚类算法 几乎是：
- 教学中的第一种聚类算法
- 工程中最常用的基础聚类方法
- 后续复杂聚类算法（GMM、谱聚类等）的思想基础
📌 如果说'回归'是理解监督学习的起点，那么 K-Means 就是理解无监督学习的起点。
1.1 聚类的现实意义
聚类在现实中的应用极其广泛，例如：
- 用户画像与用户分群
- 市场细分与推荐系统
- 文本主题发现
- 图像分割
- 异常检测
- 数据压缩（向量量化）
在这些应用中，我们通常面对的问题是：
给定一批无标签样本，如何自动将其分成若干'相似'的组？
1.2 为什么要'自己实现'聚类算法？
虽然现成库（如 scikit-learn、OpenCV、MLPack）非常成熟，但亲自实现 K-Means 具有不可替代的教学与工程价值：
- 理解'距离度量'的工程含义
- 理解'迭代优化'的数值过程
- 理解收敛条件与局部最优问题
- 为后续实现 GMM、EM 算法打基础
- 可作为自定义系统中的轻量级聚类模块
1.3 本项目的定位
本项目的目标是：
用纯 C++ 从零实现一个教学级但工程可用的 K-Means 聚类算法
特点包括：
- 不依赖第三方机器学习库
- 使用标准 C++ 数据结构
- 代码结构清晰、注释完整
- 易于扩展到高维数据
- 适合作为聚类算法学习模板
二、项目需求详细介绍
2.1 功能性需求
本项目需要实现以下功能：
- 支持对任意维度的数值向量进行聚类
- 支持指定聚类数目 K
- 实现完整的 K-Means 迭代流程
- 输出：
- 每个样本所属的簇编号
- 每个簇的中心点（centroid）
核心接口示例：
class KMeans {
public:
KMeans(int k, int maxIter);
void fit(const std::vector<std::vector<double>>& data);
;
std::vector<std::vector<>>& () ;
};
