以简单的代码快速实现k-means聚类方法，以20个2维样本数据为例

C#实现简单的K-means聚类算法 txt文档

k-means聚类算法及matlab代码稀疏的KMeans KMeans使用预处理和稀疏化实现大数据，Matlab实施。 使用（也称为“ K均值”或“ K均值”），但以特殊方式稀疏数据，以显着（且可调）节省计算时间和内存。 该代码提供kmeans_sparsified ，其用法与Matlab统计工具箱中的kmeans函数非常相似。 有三个好处： 基本实现比“统计信息”工具箱版本快得多。 我们还提供了一些工具箱版本所缺少的现代选项。 例如，我们实现了初始化。 （更新：自2015年以来，Matlab改进了例程和初始化的速度，现在它们的版本与我们的版本相当）。 我们有一个新的变体，称为稀疏KMeans，它可以对数据进行预处理和采样，而该版本可以快数千倍，并且是为无法处理的大数据集设计的 该代码还允许使用大数据选项。 无需传递数据矩阵，而是给它提供.mat文件的位置，并且代码会将数据分成多个块。 当数据为10 TB并且您的计算机只有6 GB的RAM时，这很有用。 数据以较小的块（例如，小于6 GB）加载，然后进行预处理，采样并从RAM中丢弃，然后处理下一个数据块。 整个算法仅遍历数据集。 /注

电力需求分析 在时间序列数据集上分析房屋的电力需求。 还使用基于电力需求的 K-Means 聚类创建了电器检测系统。

用户用电情况随着电网技术发展变得更加复杂，同时产生大量用电特征。以往采用基于神经网络挖掘方法和基于CURE算法的挖掘方法受到噪声数据影响，导致挖掘精准度较低，针对该问题，提出基于k-means聚类算法的用户复杂用电特征挖掘方法。在k-means聚类算法中，研究用户复杂用电特征挖掘原理，并对数据进行清洗、集成、规约变换预处理，避免噪声干扰。利用信息熵原则聚类矩阵规整特征点，根据复杂用电特征，通过簇类决策用电特征点，计算聚类簇之间距离，获取用电特征信息增益，完成用户复杂用电特征挖掘。通过实验对比结果可知，该方法挖掘精准度最高为99%，为用户提供更好优质服务。

深大计软_最优化方法_实验1：K-Means聚类之Python实现手写数字图像MNIST分类

我们得到了一组具有某些特征的项目数据集，以及这些特征的值（如向量）。 任务是将这些项目分类成组。 为此，我们将使用 kMeans 算法； 一种无监督学习算法。 在这个特定的代码中，我在 MATLAB 中实现了 k 均值算法，而不使用内置函数

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

采用K-means聚类，实现多维矩阵的聚类，并进行可视化展示（matlab）.rar

针对传统的K-means算法对初始聚类中心的敏感很大，极易陷入局部最优值，基于遗传算法的K-means聚类算法由于个体的多样性不足而常出现早熟等现象，采用遗传模拟退火算法优化初始聚类中心点后进行K-means聚类，并提出了一种新的用于评价聚类结果的适应度函数，该函数更为准确地反映类内距离和类间距离。实验结果表明，该方法能获得更好的聚类结果。