采用java编写的一个kmeans算法的程序，参考网上部分实现方法。含有测试数据，可以直接运行得出结果。

1999年31省份消费情况，使用数据时请更改相应的文件名,配合moocPython机器学习应用学习。

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

1. 简述 K-means聚类算法的原理与算法过程. 2. 熟练掌握K-means聚类算法与结果的展示，并代码实现，做一个2维或三维空间中的2~3类点（每个类有10个点）聚类实验，把聚类结果用不同的颜色与符号表示。 3. 实现人脸图像（取前2~3个人的人脸图像）聚类实验与旋转物体（在COIL20数据集中取前2~3个类的图像）， 把聚类结果用不同的颜色与符号表示，并把对应的图像放在相应点的旁边，让人一眼看出结果对不对；同时列表给出其在不同数据库在不同K时的聚类精度。 4. 另起一节，参考前人论文，开发设计一个全新的聚类算法，把关键信息写在报告中；详细的内容可以写成一个长文提交在“论文提交处”。

k均值、合并聚类和DBSCAN聚类算法对鸢尾花数据集聚类代码.zip

实验目的： 加深对非监督学习的理解和认识，掌握动态聚类K-均值算法。 实验内容： 1、对UCI数据库中的Iris数据集，利用基本K-均算法值进行分类。 2、对基本的K-均值算法进行改进，并与上面的结果进行比较。

本文实例为大家分享了python K均值聚类的具体代码，供大家参考，具体内容如下 #-*- coding:utf-8 -*- #!/usr/bin/python ''''' k Means K均值聚类 ''' # 测试 # Ｋ均值聚类 import kMeans as KM KM.kMeansTest() # 二分Ｋ均值聚类 import kMeans as KM KM.biKMeansTest() # 地理位置 二分Ｋ均值聚类 import kMeans as KM KM.clusterClubs() from numpy import * # 导入数据集 def loadData

基于改进K-Means算法的电商用户聚类分析和应用研究.pdf

脉冲响应的相关分析算法并检验，采用累计贡献率的方法，阐述了负荷预测的应用研究,FMCW调频连续波雷达的测距测角，包括回归分析和概率统计，加入重复控制。

matlab自带聚类分析函数，用法详解。