快速搜索和寻找密度峰值的聚类(clustering by fast search and find of density peaks)，简称密度峰值聚类(density peaks clustering，DPC)算法，该算法的优点为：不需要事先指定类簇数；能够发现非球形类簇；只有一个参数需要预先取值。

包括主流的几种动态聚类算法：K-means，K-means的改进算法，DBSCAN算法等等，还有数据作图代码，代码详细明晰！适合想学习动态聚类算法的朋友！

介绍了在聚类算法中广泛使用的k均值算法。针对其受选择初始质心和聚类个数影响的缺点,给出了改进的k均值算法。使用最大最小距离法选择初始聚类中心,并确定聚类个数。进行了改进前后的对比实验。实验结果表明,改进后的算法比较稳定、准确。将改进后的算法应用到高校成绩分析中,达到较好的分类效果。

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。

3个matlab程序源代码，含有工具箱函数版本与纯手工Kmeans算法源码

机器学习中的聚类算法

网上很多的代码都是错误的，特别是广为流传的那份，我已经进行了修改，并在此前提下，对群中心距离是否太近进行了判断，如果群中心太近，那就就将两个中心所代表的两个聚类合成为一个聚类，更符合实际

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。

matlab基于局部信息的模糊C均值聚类算法（FLICM）实现图像分割.md

点聚类matlab代码约束聚类 这是包含一组聚类算法的MATLAB代码。 此代码的一部分用于模拟工作中的实验。 此外，还有可用代码的约束聚类算法列表。 如何运行： 要查看玩具数据的输出，请转到目录experiment ，然后运行脚本experiment_toy.m 。 您应该能够看到以下输出，以及其他一些输出： 您也可以运行脚本experiment_uci.m来查看UCI数据集上算法的输出。 该包装的结构 代码结构如下： 在某些时候， algorithms包含了我们已经研究/实验过的算法。 这些代码中有许多是从某个地方下载的，并且直接包含在其中（或进行了很小的修改）。 其中一些算法的文件夹内包含README.md ，该文件解释了它们的下载位置以及可能的修改/扩展。 请注意，并非所有这些算法都在评估脚本中使用（由于不稳定，运行缓慢或与我们的目的不兼容）。 也就是说，您始终可以将它们添加到脚本中并使用它们。 data ：UCI数据+玩具数据 distance ：我们在多种算法中使用的一些距离度量。 experiment ：用于在数据集上运行算法的脚本。 metrics ：包含我们使用的评估