资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建聚类模型 7.结论与展望

[IDX,C,SUMD,K] = best_kmeans(X) 划分 N×P 数据矩阵 X 中的点成 K 个簇。 X 的行对应点，列对应变量。 IDX 包含每个点的集群索引。 C 是 K×P 矩阵 C 中的 K 个簇质心位置。 SUMD 是 1×K 向量中点到质心距离的总和。 K 是使用 ELBOW 方法确定的聚类质心数。 ELBOW方法：计算从1到n，并且K是对应于90％百分比的簇数方差解释，这是组间方差与总方差。 见 找到最好的K个簇后，使用kmeans确定IDX,C,SUMD matlab中的函数。

kmeans算法的matlab实现，其中包含实验所需要的数据，在matlab2007b中可以运行。

【程序老媛出品，必属精品，亲测校正，质量保证】 资源名：matlab k-means算法 程序源码.zip 资源类型：程序源代码 源码说明： matlab实现 k-means算法 程序 包含完整代码 非常适合借鉴学习 适合人群：新手及有一定经验的开发人员

带canopy预处理的kmeans算法 （1）将数据集向量化得到一个list后放入内存，选择两个距离阈值：T1和T2。  （2）从list中任取一点P，用低计算成本方法快速计算点P与所有Canopy之间的距离（如果当前不存在Canopy，则把点P作为一个Canopy），如果点P与某个Canopy距离在T1以内，则将点P加入到这个Canopy；  （3）如果点P曾经与某个Canopy的距离在T2以内，则需要把点P从list中删除，这一步是认为点P此时与这个Canopy已经够近了，因此它不可以再做其它Canopy的中心了；  （4）重复步骤2、3，直到list为空结束

针对分布式Canopy-Kmeans算法中Canopy选取的随机性问题，采用“最小最大原则”对该算法进行了改进，避免了Cannopy选取的盲目性；采用MapReduce并行计算框架对算法进行了并行扩展，使之能够充分利用集群的计算和存储能力，从而适应海量数据的应用场景。以海量互联网新闻信息聚类作为应用背景，对改进后的算法进行了实验分析。实验结果表明：该方法较随机挑选Canopy策略在分类准确率以及抗噪能力上都明显提高，而且在处理海量数据时表现出较大的性能优势。

matlab均值聚类的基本代码，代码参考自周志华《机器学习》9.4.1节而写的，代码使用matlab矩阵序列化操作，速度会快一点，本代码仅供参考，请尊重原创

大数据聚类算法与处理与kmeans 算法综述

简单的实现了K_means算法的可视化，这里分析的主要是坐标信息，数据源是文本信息txt文件。数据源大家可以修改

实验报告——Kmeans聚类方法.docx