这个代码主要是介绍了python使用kmeans算法来对图像中的像素进行聚类。整个kmeans算法为手动实现，不调用sklearn库。一共使用了两种方法，其中方法a.py使用了三通道像素值rgb共三个特征，方法b.py使用了rgb+像素坐标xy共5个特征。

python 聚类 效果图 使用PCA(主成分分析)对四维特征值进行降维并且使用matplotlib进行画图显示聚类效果 使用PCA(主成分分析)对四维特征值进行降维并且使用matplotlib进行画图显示聚类效果 在main.py源代码中修改自己对水果属性(甜度、酸度、水分、脆度)的喜好程度，修改完后执行代码 随机数据集会在Data.csv中生成 会根据数据集进行PCA降维分析和绘图，可以在最后的图表中看出喜欢不喜欢一般般具有明显聚类和区分效果

流数据聚类算法 基于密度的Denstream算法python源代码

基于Hadoop的K-Means聚类算法优化与实现，陈萍，何健伟，本文针对传统K-Means聚类算法不适合海量大数据挖掘，并且对异常离群点数据非常敏感，结合Hadoop云计算平台以及MapReduce并行编程框架，��

典型K平均算法中的聚类数k必须是事先给定的确定值,然而实际中很难精确确定,因而无法解决该核算法的实际问题。为此，提出距离代价函数作为最佳聚类数的有效性检验函数,建立了相应的数学模型,并据此提出了一种改进的k值优化算法。实验证明，与传统基于平均值方法实现数据聚类相比，用改进K值优化算法有效提高数据聚类效果。

kmeans 聚类问题实例，用kmeans聚类算法将数据分成三类，实现三分类问题，并将分类结果进行储存

kmeans 分析matlab代码K均值聚类 这是K-means算法在MATLAB和Python中的简单实现 K-means 聚类是一种矢量量化方法，最初来自信号处理，在数据挖掘中流行用于聚类分析。 k-means聚类旨在将n个观测值划分为k个簇，其中每个观测值都属于具有最近均值的簇，作为簇的原型。 这导致将数据空间划分为 Voronoi 单元。 该代码实现了 K-means 算法并在一个简单的 2D 数据集上对其进行了测试。 例子 在这个例子中，我们首先从三个正态分布生成一个点数据集并标记数据集。 这个带有正确标签的数据集是我们的真实值。 然后我们重新调整标签并为新数据集运行 k-means 算法。 该算法正确地对数据集进行聚类，并估计聚类的中心。 在最后一步，我们将我们的结果与 Mathworks 实现的 k-means 的结果进行比较。 结果 我在我的机器上得到的结果如下： iteration: 1, error: 1.8122, mu1: [-0.2165 4.0360], mu2: [4.2571 0.0152], mu3: [-1.1291 -3.0925] iterati

四、最短距离聚类法 原理 最短距离聚类法，是在原来的m×m距离矩阵的非对角元素中找出 ，把分类对象Gp和Gq归并为一新类Gr，然后按计算公式 计算原来各类与新类之间的距离，这样就得到一个新的（m－1）阶的距离矩阵； 再从新的距离矩阵中选出最小者dij，把Gi和Gj归并成新类；再计算各类与新类的距离，这样一直下去，直至各分类对象被归为一类为止。 （3.4.10）

学术搜索是一种行业化的搜索引擎,因其缺乏个性化、智能化的服务,使得用户的学术文献检索效率低下,海量的数字学术资源得不到充分利用。本研究跨语言智能学术搜索系统的设计与实现,旨在让用户可以在尽可能短的时间内找到所需学术资源。系统的几个关键技术包括:研究混合语种文本的分词技术;研究基于机器翻译的跨语言信息检索;研究搜索结果聚类算法在不同语言文本上的性能差异问题;研究基于聚类的个性化信息检索方法以及交互式查询扩展技术。实验测试结果表明:系统具有较好的扩展性,能为用户提供良好的学术检索服务。

使用 PHA 方法执行快速层次聚类。 该函数将从输入距离矩阵生成层次聚类树 (Z)。 输出 Z 类似于 Matlab 函数“linkage”的输出。 [主要特征] 1.比matlab联动功能更快。 2. 对混合正态分布的集群具有出色的性能。 3. 生成系统发育树的理想工具。 [参考] 永岗路，易湾。 (2013)。 “PHA：基于快速势的分层凝聚聚类方法，”模式识别，卷。 46(5)，第 1227-1239 页。