该资源为机器学习相关的基于聚类的图像分割系统，语言为Python，包含实验报告＋源代码。希望可以帮到大家。

GMM-KMeans异常检测 对于一维时间序列数据，使用GMM和K-means算法检测离群值。对一维时间序列数据，采用GMM和K-Means算法进行异常点检测。

stopwords-master：停用词 Dream_of_the_Red_Kmeans.py ：基于python实现红楼梦聚类分析的主程序 Dream_of_the_Red_Mansion.txt : 红楼梦txt KMeansCluster_Class.py ：自己编写的KMeans程序 Red_Mansion_Dictionary.txt : 红楼梦人物名，辅助分词

KMeans算法和Elbow准则 “ k-Means聚类背后的想法是获取一堆数据并确定数据中是否存在任何自然聚类（相关对象的组）。 k-Means算法是所谓的无监督学习算法。 我们事先不知道数据中存在什么模式-它没有形式分类-但我们想知道是否可以将数据以某种方式分为几类。 例如，您可以使用k-Means通过告诉像素根据其颜色值将像素分组为3个群集来查找图像中3种最突出的颜色。 或者，您可以使用它将相关新闻文章分组在一起，而无需事先确定要使用的类别。 该算法将自动找出最佳组。 k均值中的“ k”是一个数字。 该算法假定数据中存在k个中心，各个数据元素分散在周围。 最接近这些所谓质心的数据将被分类或分组在一起。 k-Means不会告诉您每个特定数据组的分类器是什么。 将新闻文章分成几组后，并不能说第一组是关于科学的，第二组是关于名人的，第三组是关于即将举行的选举的，等等。您只知道相关的新闻故事现在在一起了，但不一定是什么这种关系意味着。 k均值仅有助于寻找潜在的集群。” -取自对算法的移植。 存储库包含： 将的模型拟合到。 使用“肘标准”为K-means算法确定最佳聚类数的

基于青岛某办公建筑2015 年全年逐时总用电能耗及空调用电能耗数据，利用kmeans 聚类算法对其进行聚 类，将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两 周数据以及气象数据一同作为BP 神经网络的输入，预测未来24 小时的建筑总用电和空调用电，该方法比单用日 前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP 负荷预测相对 误差在5%以内，而kmeans－BP 负荷预测算法控制在±2．5%以内; BP 预测得到的均方根误差和平均绝对百分误差 范围分别在4．6～ 9．0 之间、2．3%～ 4．4%之间，km

K-means聚类算法c语言实现。样本数据从文件读入，支持任意维数数据和任意k值（k当然要小于样本数）.原创原创！

机器学习中，kmean算法是应用非常广泛的一个算法，本文档推举除一些应用案例。

新型算法用于图像分割 Copyright (c) 2020, JackXu All rights reserved. Redistribution and use in source and binary forms, with or without modification, are permitted provided that the following conditions are met: * Redistributions of source code must retain the above copyright notice, this list of conditions and the following disclaimer. * Redistributions in binary form must reproduce the above copyright notice, this list of conditions and the following disclaimer in the documentation and/or other materials provided with the distribution * Neither the name of nor the names of its contributors may be used to endorse or promote products derived from this software without specific prior written permission. THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS" AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE ARE DISCLAIMED. IN NO EVENT SHALL THE COPYRIGHT OWNER OR CONTRIBUTORS BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.

Kmeans-Python Python-Kmeans Python-Kmeans Python-Kmeans Python-Kmeans

基于Python3.7实现的KMeans++算法，包括源程序和测试数据。