kmeans聚类示例代码

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

optimization-of-kmeans-algorithm-master

1.理解掌握K-means聚类算法的基本原理； 2.学会用python实现K-means算法 K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

利用Python实现的空间点聚类算法，设有一空间点云数据，输入之后，设定要聚类的数目，然后可以得到每个类别的中心点以及每个类别的点集。测试程序中会用到vtk进行显示，使用者自行下载安装vtk(pip install vtk)。

内含数据集。只需运行Plot.py即可。

该函数采用 [Nx2] 格式的数据集，其中每个数据点表示为 [xi,yi] 和要考虑的最大聚类数 (kmax)。 然后，该函数使用 kmeans 和轮廓系数来确定最佳聚类数。 该函数输出每个 k 和最佳 k 的 S-score。 关于Silhouette聚类算法的详细信息，请参考以下链接： https://en.wikipedia.org/wiki/Silhouette_（聚类）

kmeans聚类实验数据.rar

本代码为一个简单的Kmeans应用。分为两个部分，第一部分为对随机数的Kmeans聚类；第二部分为对图像的简单聚类。

使用SVM和KMeans的多类和多标签：多类和多标签分类