主要为大家详细介绍了Python机器学习算法之k均值聚类，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

该程序是“基于C++的经典模糊C均值聚类算法”（写于2008年）的优化改进版本： 参考文献: Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms. New York:Plenum Press, 1981 （1）优化了动态内存管理，部分动态数组采用了容器vector来处理； （2）添加了更多的代码注释,以及运行方式说明； （3）更加规范地整理了代码的书写排布风格； （4）采用VS2015建立的工程； （5）可以完全取代原版本的代码Repeat FCM.rar。 注：如果方便，恳请管理员将旧版的资源“Repeat FCM.rar”删除。

实现了增量式的kmeans，在谷歌上也可以搜索online kmeans，使用新的数据点来更新聚类中心。

针对传统K-means算法易受初始聚类中心和异常数据的影响等缺陷，利用萤火虫优化算法全局搜索能力强、收敛速度快的优势，对K-means算法的初始聚类中心进行优化，并通过引用一种加权的欧氏距离，减少异常数据等不确定因素带来的不良影响，提出了一种基于萤火虫优化的加权K-means算法。该算法在提升聚类性能的同时，有效增强了算法的收敛速度。在实验阶段，通过UCI数据集中的几组数据对该算法进行了聚类实验及有效性测试，实验结果充分表明了该算法的有效性及优越性。

基于k-means的图像分割 包含模式识别 matlab程序代码

k均值平行 在 Python 中实现和 （又名可扩展 K-Means）。 要求： Python 3 麻木 Matplotlib

针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进，利用提出的新算法选出初始聚类中心，并进行聚类。这种算法比随机选择初始聚类中心的算法性能有所提高，具有更高的准确性。

传统探伤都是通过大量的人力对探伤图逐一判断，探伤效率低下，正确率不高。本文针对探伤A超图像序列提出了一种自动识别探伤的算法。通过分析探伤图像，首先对原图进行k-means聚类的分割，得到带有虚景的探伤声波图像。为了抑制虚警，得到完整的声波图像，本文使用了投影算法，并取得了很好的效果。最后在得到的声波图像上进行底波和缺陷波的检测，实现缺陷的自动识别。实验表明，本文提出的方法具有很高的准确率。

自己写的一个很有用的Kmeans演示Demo，使用MATLAB写的，有各种酷炫功能，值得大家下载来玩一玩。

K-Means和K-Means++算法的数据集。包含了两个特征的数据集，分别为XOY坐标轴中的X坐标和Y坐标。不带有类别标签。