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

【CUDA并行编程之八】Cuda实现Kmeans算法-附件资源

kmeans聚类算法在opencv中的实现，可实现单幅图像的聚类。将ncluster设置为2，即实现类似于二值化的功能。

本代码是全局kmeans算法在异构架构下的实现，使用cuda c语言编写。（声明，改代码是一位大牛所写，希望对你有用）

详细的词袋模型代码，用于图像检索等。用到了k近邻搜索，kmeans 算法等，注释清晰，利于学习交流。

official_classification.py ： 使用了较多的sklearn中提供的聚类函数 self_classification.py ： 使用了较多的手写聚类函数（手写高斯聚类由于计算高维矩阵n次方报错，就没有使用） 两者可以相互比较看手写函数效果如何。 model.py ： 其中包含了kmeans，lvq，mixture-of-gaussian聚类函数，以及计算精度和NMI的手写函数，处理标签映射的匈牙利算法。 由于学习向量量化是依据ground truth的得到的一组原型向量，是有监督的学习，因此计算其精度没有意义，在函数里就没有计算精度和NMI，只打印出了原型向量 函数运行时会有warning，不用在意，手写的函数没有优化，速度较慢 代码对三个数据集，分别使用了kmeans，lvq，mixture-of-gaussian三个方法，在得到预测标签后，采用匈牙利算法对标签进行处理，计算其精确度acc和标准互信息nmi 这三种方法聚类的精度只有百分之五十几，在数据集yale中效果较差 运行方法： 安装相应需求的库，直接运行official_classifica