zip文件包含两个函数：kmedia.mat和isodata.mat，这个函数做了两种聚类方法。 Kmedia 函数执行 k-means 算法，它具有树输入（X 向量、Y 向量和最终簇数）并返回每个簇的元素和每个簇的中心。 Isodata 函数返回相同的结果，但有更多的输入，这是 ISODATA 算法所必需的。 有两个函数，“kmedia”和“isodata”，这些函数执行“k-means”和“ISODATA”的聚类算法。 这些函数将点向量和某些参数作为输入，并返回找到的分组及其质心。

Cluster_2D_Visualization.m 是一个生成随机（均匀）分布数据点的脚本，运行 kMeans.m 和 MATLAB 的内置 kmeans 函数，测量和比较它们的性能（即计算时间），并可视化最终的集群和数据的分布直方图中聚类中的点。 kMeans.m 实现 k-means（无监督学习/聚类算法）。 技术细节： 初始质心是从所有数据点的集合中随机选择的（每个数据点最多一次）。 停止条件是不对任何集群进行任何更改。 clustering_app.mlapp 打开一个带有 GUI 的应用程序，您可以在其中随机生成数据点并将它们聚类。 您可以重新点击所有按钮以查看点生成和聚类算法中的随机性。 clustering_app.mlappinstall 在 MATLAB 编辑器中安装 MATLAB 应用程序。

在 AODV 路由中，路由发现是通过泛洪方法完成的，即向发送者传输范围内的所有节点广播路由请求 (RREQ) 包。它通常会导致不必要的 RREQ 数据包重传和响应生成的回复 (RREP) 数据包，从而导致数据包冲突和网络拥塞。在这个项目中，我为 AODV 提出了一种优化的路由发现方法。关键思想是使用 K-Means 聚类算法来选择 RREQ 数据包转发器的最佳集群，而不是广播。该方法的目的是减少网络中不必要的控制包传输，从而减少网络的拥塞和端到端延迟。 K-Means 聚类中使用的特征： 到目的地的距离 传输错误数 空闲缓冲空间 根据邻居的这些特征选择最佳集群。

上海大学-机器学习-计算机专业课 1.实验内容 通过对给定数据进行聚类分析来了解K-means算法。 2.实验目标 通过本实验掌握K-means聚类算法 实验准备 点击屏幕右上方的下载实验数据模块，选择下载KmeansData.txt到指定目录下，然后再依次选择点击上方的File->Open->Upload,上传刚才下载的数据集 数据介绍 本数据是随机生成的符合高斯分布的二维样本点

c#实现的kmeans算法，在vs2010上面测试可以运行。

KMeans Python 代码的实现，还包括scikit-learn-kMeans Python 代码的实现，数据文件为txt , 代码包括读取txt文件数据到python中

kmeans代码，注释详细，适合初学者学习

kaggle数据集的葡萄酒聚类，对数据进行分析、清洗以及可视化，通过3D图展示聚类后的结果！

Hadoop mapreduce 实现KMeans，可用

该程序获取图像和所需的分区数，并找到不同类别的均值并提供分类图像（面具）。