① 在 K-means 算法中 K 是事先給定的，這個 K 值的選定是非常難以估計的。很多時候，事先并不知道給定的數據集應該分成多少個類別才最合適。這也是 K-means 算法的一個不足。有的算法是通過類的自動合并和分裂，得到較為合理的類型數目 K，例如 ISODATA 算法。關于 K-means 算法中聚類數目K 值的確定在文獻中，是根據方差分析理論，應用混合 F統計量來確定最佳分類數，并應用了模糊劃分熵來驗證最佳分類數的正確性。在文獻中，使用了一種結合全協方差矩陣的 RPCL 算法，并逐步刪除那些只包含少量訓練數據的類。而文獻中使用的是一種稱為次勝者受罰的 競爭學習規則，來自動決定類的適當數目。它的思想是：對每個輸入而言，不僅競爭獲勝單元的權值被修正以適應輸入值，而且對次勝單元采用懲罰的方法使之遠離輸入值。
② 在 K-means 算法中，首先需要根據初始聚類中心來確定一個初始劃分，然后對初始劃分進行優化。這個初始聚類中心的選擇對聚類結果有較大的影響，一旦初始值選擇的不好，可能無法得到有效的聚類結果，這也成為K-means算法的一個主要問題。對于該問題的解決，許多算法采用遺傳算法（GA），例如文獻 中采用遺傳算法（GA）進行初始化，以內部聚類準則作為評價指標。
③ 從 K-means 算法框架可以看出，該算法需要不斷地進行樣本分類調整，不斷地計算調整后的新的聚類中心，因此當數據量非常大時，算法的時間開銷是非常大的。所以需要對算法的時間復雜度進行分析、改進，提高算法應用范圍。在文獻中從該算法的時間復雜度進行分析考慮，通過一定的相似性準則來去掉聚類中心的侯選集。而在文獻中，使用的 K-means 算法是對樣本數據進行聚類，無論是初始點的選擇還是一次迭代完成時對數據的調整，都是建立在隨機選取的樣本數據的基礎之上，這樣可以提高算法的收斂速度。
