用matlab实现K-means算法及其图片压缩的应用，还有PCA算法的实现，有文档有注释，简单易懂，步骤详尽。

K-Means算法是一种基于距离的聚类算法，采用迭代的方法，计算出K个聚类中心，把若干个点聚成K类。 MLlib实现K-Means算法的原理是，运行多个K-Means算法，每个称为run，返回最好的那个聚类的类簇中心。初始的类簇中心，可以是随机的，也可以是KMean||得来的，迭代达到一定的次数，或者所有run都收敛时，算法就结束。 用Spark实现K-Means算法，首先修改pom文件，引入机器学习MLlib包： org.apache.spark spark-mllib_2.10</

代码主要做的是一个光伏曲线聚类的模型，采用的是较为基础的K-means算法，经过matlab求解后，代码可以直接输出光伏原始数据集、聚类后的数据集，各类曲线的数量以及各类曲线的概率，数据显示结果非常清晰，而且求解的效果更好，店主已经对代码进行了深入的加工和处理，出图效果非常好；参考文档：《基于改进 K-means 聚类的风光发电场景划分》仅部分参考，非完全复现；仿真平台：MATLAB平台

matlab实现K-means聚类算法，很不错的源代码哦！

1 K-Means聚类 K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。 下面是K-Means聚类算法的分析流程，步骤如下： 第一步，确定K值，即将数据集聚集成K个类簇或小组。 第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。 第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到离最近质心的小组，跟定了那个质心。 第四步，当每个质心都聚集了一些点后，重新定义算法选出新的质心。

这个m文件将K-means算法封装为一个函数，调用方法见函数H1和帮助行。

K-means算法简介及代码过程

k-means算法的C#实现，可以直接运行的，不过比较简单，仅仅是简单的原理说明。

k - means聚类分析算法Python实现,并以鸢尾花数据集为例进行聚类演示

K-means算法处理海量数据时，易产生系统内存溢出的现象。利用MapReduce框架改进K-means虽然解决了这个问题，但也存在着聚类效果不稳定以及准确率不高等问题，提出一种改进算法，利用MapReduce框架实现K-means时，采用多次随机抽样，通过计算密度、距离与平方误差等方法，最终选取较优的初始聚类中心，并在迭代中采用新的中心点计算方法。实验结果证明，改进后的算法具有较好的稳定性、准确性和加速比。