一、KMeans算法原理

KMeans算法作为聚类算法的典型代表，那它是怎么完成聚类的呢？
在 KMeans 算法中， 簇的个数用k表示，k是一个超参数，需要我们人为输入来确定。 Kmeans 的核心任务就是根据我们设定好的 k ，找出 k个最优的质心，并将离这些质心最近的数据分别分配到这些质心代表的簇中去。

二、KMeans算法流程

（1）首先设置参数k, k的含义为将数据聚合成几类（这里取k=3）；
（2）从数据当中，随机的选择三（k）个点，成为聚类初始中心点；（图中初始三个中心点用蓝色、红色和黄色标记）

（3）计算所有其他点到这三（k）个点的距离, 然后找出离每个数据点最近的中心点, 将该点划分到这个中心点所代表的的簇当中去。那么所有点都会被划分到三（k）个簇当中去。

（4）重新计算三个簇的质心，作为下一次聚类的中心点；

（5）重复上面的3-4步的过程，重新进行聚类，不断迭代重复这个过程。
（6）停止条件：
第一种：当重新聚类后，所有样本点归属类别都没有发生变化的时候。
第二种：当迭代次数达到规定的最大次数时，也会停止。

请根据学习内容回答以下问题:

(1) KNN和Kmeans算法原理中的相似之处是什么?

(2) Kmeans聚类的初始中心点是如何选择的?