算法过程如下：1）从N个样本随机选取K个样本作为质心2）对剩余的每个样本测量其到每个质心的距离，并把它归到最近的质心的类3）重新计算已经得到的各个类的质心4）迭

k-means 算法的matlab代码 KmeansPCA matrix.h: 自己手写的Matrix类的定义 matrix.cpp: 自己手写的Matrix类 datapoint.h: 自己手写的DataPoint类定义，用途是标示数据点元素 datapoint.cpp: 自己手写的DataPoint类 kmeans.h: K-means算法类的定义 kmeans.cpp: K-means算法类的实现 trie.h: 自己手写的Trie树类定义，用于快速高效统计字符串 trie.cpp: 自己手写的Trie树类 tfidf.h: 对读文件操作以及生成关键词 tfidf.cpp: 生成我需要的关键词 constant.h: 存放程序所需要的各种变量 files.h: 读取一个文件夹中的所有文件名 main.cpp: 我的主文件 Matlab Code Matlab显示图片过程以及代码 导入数据 -> 重命名 -> 代码 imagesc(1 - x) colormap(gray)

传统的K-modes算法采用简单的属性匹配方式计算同一属性下不同属性值的距离，并且计算样本距离时令所有属性权重相等。在此基础上，综合考虑有序型分类数据中属性值的顺序关系、无序型分类数据中不同属性值之间的相似性以及各属性之间的关系等，提出一种更加适用于混合型分类数据的改进聚类算法，该算法对无序型分类数据和有序型分类数据采用不同的距离度量，并且用平均熵赋予相应的权重。实验结果表明，改进算法在人工数据集和真实数据集上均有比K-modes算法及其改进算法更好的聚类效果。

DBSCAN 聚类，是一种基于密度的聚类算法，它类似于均值漂移，DBSCAN 与其他聚类算法相比有很多优点，首先，它根本不需要固定数量的簇。它也会异常值识别为噪声，而不像均值漂移，即使数据点非常不同，也会简单地将它们分入簇中。另外，它更抗噪音，能够很好地找到任意大小和任意形状的簇。DBSCAN的聚类过程就是根据核心弱覆盖点来推导出最大密度相连的样本集合，首先随机寻找一个核心弱覆盖样本点，按照 Minpts 和 Eps 来推导其密度相连的点，然后再选择一个没有赋予类别的核心弱覆盖样本点，开始推导其密度相连的样本结合，一直迭代到所有的核心样本点都有对应的类别为止。作者博客中详细介绍了DBSCAN的算法原理，可以通过文章结合学习，代码包含详细注释，只需要导入自己的聚类数据，运行代码便可以得出聚类结论与图像。

机器学习聚类算法学习文档

- K 表示算法使用不同的初始质心执行以获得最佳聚类。 - 总成本的计算方法是将每个点到其聚类中心的距离相加，然后对所有聚类求和。 - 基于在 'iterKMeans' 每次迭代期间实现的最小总成本，将像素分配给它们各自的集群，并获得最终的压缩图像。 - 随着集群数量、图像大小和迭代次数的增加，该算法运行速度将变慢。

摘要：过去几十年，由于计算机软硬件的进步，已有相当数量的科研领域开始利用计算机进行辅助处理、计算和模拟。然而随着现代科学研究的不断深入，处理数据海量化、计算过程

双重分形的matlab代码#K表示聚类以对图像进行二值化 在这里，我代表了用matlab编写的用于对图像进行二值化处理的一些代码。 主要思想是对患者的骨组织进行活检，然后对其显微图像进行多重分形分析，该组织的肿瘤已转移到骨骼上。 在这里，在下面显示的图片上，您可能会看到该算法如何拍摄微观图像（上部图片）并使它们成为二进制图像（下部图片集）。 ！[K_Means_Algorithm_Binarization_Of_Image]（我的二进制图片。png）

通过聚类优化RBF神经网络参数，拟合曲线的小程序

给出的程序可用于未知工况的识别或分类问题，属于数据处理的一个环节