沒錯，k 大小值不同，會影響到分類的結果，以下示範不同的k 值會產生什麼樣的結果，下圖分別是k=3、7、10、20在同個種子所分布的狀況，種子碼為20180103。

set.seed(20180103)
kmeans_3 = kmeans(x = address_LatLng_data[, c('Lat','Lng')], centers = 3)
set.seed(20180103)
kmeans_7 = kmeans(x = address_LatLng_data[, c('Lat','Lng')], centers = 7)
set.seed(20180103)
kmeans_10 = kmeans(x = address_LatLng_data[, c('Lat','Lng')], centers = 10)
set.seed(20180103)
kmeans_20 = kmeans(x = address_LatLng_data[, c('Lat','Lng')], centers = 20)

result <- address_LatLng_data %>%
    ungroup() %>%
    mutate(category3 = kmeans_3$cluster,
           category7 = kmeans_7$cluster,
           category10 = kmeans_10$cluster,
           category20 = kmeans_20$cluster)

k=3

k=7

k=10

k=20

從不同的k 值可以觀察到，當k 值越大時，category 顆粒度可以越細，因此，諾我們使用很大的k，像西門一帶密集的地址區，可能會有些過於分類的現象出現，但如果k使用比較小的數字，有可能會發生像第一張圖的狀況，新北市的地址和台北市的地址是同一類的狀況。

所以這邊反問讀者，你們會如何決定k 的大小呢？

ref
day17原始碼