实现K均值聚类，并将结果进行可视化。灰色“+”代表均值中心；黑色“。”代表簇内部的数据点；彩色“。”代表簇边界的数据点，不同的颜色代表不同的簇（由于颜色有限，簇过多时存在颜色重复）

以基因表达谱为测试数据，附有中文说明，给出Kmeans算法的流程

kmeans聚类算法，C++实现，vs控制台

python实现k-means算法图片的变化检测。变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程；遥感变化检测是一个确定和评价各种地表现象随时间发生变化的过程；遥感变化检测是遥感瞬时视场中地表特征随时间发生的变化引起两个时期影像像元光谱响应的变化。

matlab实现的Kmeans聚类 比较简单

带有gpu支持的基本kmeans算法（带有Forgy初始化的劳埃德方法）的pytorch实现 用法： from kmeans_pytorch . kmeans import lloyd import numpy as np A = np . concatenate ([ np . random . randn ( 1000 , 2 ), p . random . randn ( 1000 , 2 ) + 3 , p . random . randn ( 1000 , 2 ) + 6 ], axis = 0 ) #lloyd(X, n_clusters, device=0, tol=1e-4) clusters_index , centers = lloyd ( A , 2 , device = 0 , tol = 1e-4 ) 有关一些测试示例，请参见kmeans_test.ipynb

数据科学大作业 具体内容见pdf 只要把爬虫文件里的cookie换成你的应该就跑的起来 当然还要改日期和关键词

无监督学习-kmeans聚类算法及手动实现jupyter代码.ipynb

matlab聚类kmeans代码 区域形态分析 area-shape-analysis 这是中科大研一课程数字图像分析的课程大作业。以下为题目要求。实现语言为matlab，具体内容见代码和report_dia.pdf。 题目 说明： 图像中含有大小不同的两类目标，请将各个目标分割出来，然后对分割的目标，利用合适的特征，将其进行分类。 segment the stones out and classify them with proper feature. 提示方法： 1、基于marker-controlled watershed进行分割,然后对分割的目标，选取特征进行Kmean聚类。 segment by marker-controlled watershed and clauster them by k-means 关于Marker-controlled watershed(基于标记的分水岭算法)可以参考：《数字图像处理（第二版）》(冈萨雷斯著) 见10.5.4节。 Gonzalez's book of chapter 10.5.4

【CUDA并行编程之八】Cuda实现Kmeans算法-附件资源