1、kmeans算法是一种无监督学习算法
其算法流程如下：

（1）在一堆没有标签的数据中，我们选择k个数据作为聚类中心，k是人为选择的，中心点也是人为播撒的。

（2）使用某种距离度量方式，比如欧氏距离，计算其他所有点离这k个点的距离，比如a点算完之后距离k1点最近，那么就把a归类为k1类。

(3)计算聚类之后的各个类的中心，使其作为新的聚类中心。

(4)重复(2)到(3)步，直到新的中心与原来的中心距离小于某个阈值就停止。这样我们就完成了数据聚类。

2、KNN算法是一种监督学习算法
其算法流程如下：

（1）当出现新的测试样本时，计算其与训练样本中每个样本的距离。

（2）根据距离选择与测试样本最接近的k个样本，k是人为进行选择的。

（3）基于这k个训练样本的类别来划分新样本的类别，通常选择这k个训练样本中出现次数最多的标签作为新样本的类别。比如这k个训练样本中有十个猫一个狗，那么可以人为测试样本就是猫。

3、他们之间的区别
（1）KMeans是无监督学习算法，KNN是监督学习算法。

（2）KMeans算法的训练过程需要反复迭代的操作（寻找新的中心），但是KNN不需要。

（3）KMeans中的K代表的是聚类中心的个数，KNN的K代表的是选择与新测试样本距离最近的前K个训练样本。