Matlab source code for EM algorithm EM algorithm for k multidimensional Gaussian mixture estimation % (EM_GM_fast is the modified version of EM_GM for speed enchancement. % The functionalities of EM_GM_fast and EM_GM are identical.)

k-means测试点集数据。

传统的k-means算法对初始聚类中心敏感，聚类结果随不同的初始输入而波动。为消除这种敏感性，提出一种优化初始聚类中心的方法，此方法计算每个数据对象所在区域的密度，选择相互距离最远的k个处于高密度区域的点作为初始聚类中心。实验表明改进后的k-means算法能产生质量较高的聚类结果，并且消除了对初始输入的敏感性。 关键词：数据挖掘；聚类；k-means算法；聚类中心

在Spark框架下实现了K_means算法和random forest算法

matlab代码粒子群算法Hybrid-K-means-Pso（MATLAB） K-Means的高级版本，使用粒子群算法对高维数据集进行聚类，可以更快地收敛到最佳解决方案。 “聚类”是一种用于对数据集中的元素进行分区的技术，以便将相似的元素分配给相同的群集，而将具有不同属性的元素分配给不同的群集。 快速，高质量的文档聚类算法在有效地导航，汇总和组织信息方面起着重要作用。 分区聚类算法更适合于对大型数据集进行聚类。 在此项目中，我们将实现带有K-means文档聚类算法的混合粒子群优化（PSO），该算法执行快速文档聚类，并且可以避免陷入各种高维数据集的局部最优解中。 PSO与K-means混合算法结合了PSO算法的全局搜索能力和K-means算法的快速收敛性。 对获得的结果进行分析，并比较该算法在大型数据集上的准确性和性能。 数据集：IRIS，扑克，心脏，避孕方法选择数据集（取自UCI存储库） 如果还需要gui和代码，请复制所有gui文件。 否则，只需复制您所需数据的各个Kmeans.m，KPSO.m和KPSOK.m文件，然后以相同的顺序执行即可。 还包括所有数据文件。 完整的信息，背景和

python实现基于密度的DBscan和K-means聚类算法，根据青蛙的叫声所提取的 MFCC 特征，给不同科属的青蛙聚类。包括数据集和代码。

kmeans-fuzzy-cmeans k-Means 和 Fuzzy c-Means 聚类算法的可视化。 源语言是 C#，用于图形绘制的 Oxyplot 库。

数据集：Iris数据集 (http://archive.ics.uci.edu/ml/datasets/Iris) 数据描述：Iris数据集包含150个鸢尾花模式样 本，其中 每个模式样本采用5维的特征描述 利用所学K-means聚类分析方法，对 Iris数据集进行聚类分析，并利用已知的样本类别标 签进行聚类分析评价

k-means分割图片在python中的实现。K均值聚类算法是先随机选取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。

k-means聚类算法及matlab代码适用于Coursera机器学习的Python代码 此仓库为Andrew NG教授的Coursera机器学习课程提供了基于python的解决方案。 解决方案模仿Coursera提供的MATLAB / Octave代码。 scikit-learn模块为每种算法提供了固定的实现，但是以理解它们如何工作为代价。 这些基本版本用于巩固概念并熟悉Python科学计算堆栈。 回购组织 与课程课程不同，单个功能不是用单独的脚本编写的。 而是包含一个脚本来存储每个练习的所有帮助程序功能。 练习1：线性回归（有效） 练习2：逻辑回归（有效） 练习3：多类分类和神经网络（有效） 练习4：神经网络学习（工作中） 练习5：正则线性回归和偏差/方差（有效） 练习6：支持向量机（未启动） 练习7： K均值聚类和PCA（有效） 练习8：异常检测和推荐系统（正常运行）