K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。 本代码提供了k-means算法的python实现，并使用matlibplot可视化算法结果

基于Kmeans聚类的图像分割算法，适合初学者学习。分较少

点击main.m即可运行出结果，算法纯手打，没有利用任何工具箱，极具参考价值

k-means算法。它不仅是最简单的聚类算法，也是最普及且最常用的。k-means算法是一种基于形心的划分数据的方法。我们给定一个数据集DD，以及要划分的簇数kk，就能通过该算法将数据集划分为kk个簇。一般来说，每个数据项只能属于其中一个簇。具体方法可以这样描述： 假设数据集在一个mm维的欧式空间中，我们初始时，可随机选择kk个数据项作为这kk个簇的形心Ci,i∈{1,2,…k}Ci,i∈{1,2,…k}，每个簇心代表的其实是一个簇，也就是一组数据项构成的集合。然后对所有的nn个数据项，计算这些数据项与CiCi的距离（一般情况下，在欧式空间中，数据项之间的距离用欧式距离表示）。比如对于数据项Dj,j∈{1,…n}Dj,j∈{1,…n}，它与其中的一个簇心CiCi最近，则将DjDj归类为簇CiCi. 通过上面这一步，我们就初步将DD划分为kk个类了。现在重新计算这kk个类的形心。方法是计算类中所有数据项的各个维度的均值。这样，构成一个新的形心，并且更新这个类的形心。每个类都这样计算一次，更新形心。 对上一步计算得到的新的形心，重复进行第（1），（2）步的工作，直到各个类的形心不再变化为止。

K-means算法的Matlab实现，里面包括Iris数据集，需要先将其转为矩阵，作为算法的参数输入。

对文本进行聚类，文本预处理-->构造特征向量-->聚类，压缩包内含有实验用语料

Matlab实现K-means算法，该算法是针对Iris鸢尾花数据集的实验

在weka下用于k-means算法分析的数据集

CUDA实现K-means算法，学习GPU编程入门级算法需要了解

Java编写的k-means文本聚类算法，lib文件中有IK-analysis的jar包，需要自己先导入到工程中，准确率能达到90%多，用于学习机器学习，可以运行