9.1 理解聚类分析 餐饮企业经常会碰到这样的问题： 1） 如何通过餐饮客户消费行为的测量，进一步评判餐饮客户的价值和对餐饮客户进行细分，找到有价值的客户群和需关注的客户群？ 2） 如何合理对菜品进行分析，以便区分哪些菜品畅销毛利又高，哪些菜品滞销毛利又低？ 餐饮企业遇到的这些问题，可以通过聚类分析解决。 9.1.1 常用聚类分析算法 与分类不同，聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度将他们划分为若干组，划分的原则是组内样本最小化而组间（外部）距离最大化，如图9-1所示。

这篇文档是基于改进K-means聚类的欠定盲分离算法，利用K-M聚类算法与SCA算法结合，实现对欠定信号进行盲分离的目的。文中提出的算法是一种经典的算法上改进的，希望对做盲源分离的有一定帮助，在此希望大家多多共享，多多分享，共同进步。

基于K-means聚类算法的图像区域分割的MATLAB代码实现，详情可以参考：https://blog.csdn.net/didi_ya/article/details/115376184

行业分类-物理装置-基于基频数据K-Means聚类的支吊架劣化报警方法.zip

基于python的k-means聚类算法的实现代码，不是调用sklearn库的实现方式，步骤清晰且比较详细！如有错误，欢迎批评指出，谢谢！

为构建符合郑州市交通特征的乘用车典型行驶工况,选取60辆乘用车进行数据采集,将采集的有效行驶数据划分成120 744条运动学片段,采用主成分分析法对构建的特征参数矩阵进行降维、非线性化处理。选取戴维森-堡丁指数来确定最佳聚类数,并通过全局K-means聚类算法将主成分分析得到的4个主成分聚成3类,然后采用相关系数法从各类片段库中选取具有代表性的运动学片段,从而构建出郑州市乘用车典型循环工况(ZZ_DC)。通过与传统K-means聚类算法构建的工况比较,采用全局K-means聚类构建的工况更加准确地反映了郑州市乘用车在实际道路上的行驶状态。将ZZ_DC工况与国内一直采用的乘用车测试工况(NEDC工况)比较,结果表明,ZZ_DC工况与NEDC工况差异显著,因此,有必要开发出适用于郑州市交通特征的乘用车行驶工况。

python实现基于密度的DBscan和K-means聚类算法，根据青蛙的叫声所提取的 MFCC 特征，给不同科属的青蛙聚类。包括数据集和代码。

kmeans-fuzzy-cmeans k-Means 和 Fuzzy c-Means 聚类算法的可视化。 源语言是 C#，用于图形绘制的 Oxyplot 库。

数据集：Iris数据集 (http://archive.ics.uci.edu/ml/datasets/Iris) 数据描述：Iris数据集包含150个鸢尾花模式样 本，其中 每个模式样本采用5维的特征描述 利用所学K-means聚类分析方法，对 Iris数据集进行聚类分析，并利用已知的样本类别标 签进行聚类分析评价

k-means聚类算法及matlab代码适用于Coursera机器学习的Python代码 此仓库为Andrew NG教授的Coursera机器学习课程提供了基于python的解决方案。 解决方案模仿Coursera提供的MATLAB / Octave代码。 scikit-learn模块为每种算法提供了固定的实现，但是以理解它们如何工作为代价。 这些基本版本用于巩固概念并熟悉Python科学计算堆栈。 回购组织 与课程课程不同，单个功能不是用单独的脚本编写的。 而是包含一个脚本来存储每个练习的所有帮助程序功能。 练习1：线性回归（有效） 练习2：逻辑回归（有效） 练习3：多类分类和神经网络（有效） 练习4：神经网络学习（工作中） 练习5：正则线性回归和偏差/方差（有效） 练习6：支持向量机（未启动） 练习7： K均值聚类和PCA（有效） 练习8：异常检测和推荐系统（正常运行）