学校人工智能课程的一个小实验，实验要求实现k-means并探究：1)不同初始点，2)不同k值对实验结果的影响。文件中包含我的实现代码及报告和原始数据。

总结评述了K-means 聚类算法的研究现状，指出K-means 聚类算法是一个NP难优化问题，无法获得全局最优。介绍了K-means 聚类算法的目标函数、算法流程，并列举了一个实例，指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法，指出了K-means聚类的进一步研究方向。

k-means 聚类算法思想先随机选择k个聚类中心，把集合里的元素与最近的聚类中心聚为一类，得到一次聚类，再把每一个类的均值作为新的聚类中心重新聚类，迭代n次得到最终结果分步解析 一、初始化聚类中心 首先随机选择集合里的一个元素作为第一个聚类中心放入容器，选择距离第一个聚类中心最远的一个元素作为第二个聚类中心放入容器，第三、四、、、N个同理，为了优化可以选择距离开方做为评判标准 二、迭代聚类 依次把集合里的元素与距离最近的聚类中心分为一类，放到对应该聚类中心的新的容器，一次聚类完成后求出新容器里个类的均值，对该类对应的聚类中心进行更新，再次进行聚类操作，迭代n次得到理想的结果 三、可视化展

k-means 聚类算法，经典c++算法，中文注释

基于 K-means 聚类算法的图像区域分割，首先从数据样本种选取K个点作为初始聚类中心，其次计算各个样本到聚类的距离，把样本归到离它最近的那个聚类中心所在的累，计算新形成的每个聚类的数据对象的平均值来得到新的聚类中心，最后重复以上步骤，直到相邻两次的聚类中心没有任何变化，说明样本调增结束，仿真代码亲测可用，有很高的参考价值

k-means聚类算法的研究.pdf

算法优缺点： 优点：容易实现 缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢 使用数据类型：数值型数据 算法思想 k-means算法实际上就是通过计算不同样本间的距离来判断他们的相近关系的，相近的就会放到同一个类别中去。 1.首先我们需要选择一个k值，也就是我们希望把数据分成多少类，这里k值的选择对结果的影响很大，Ng的课说的选择方法有两种一种是elbow method，简单的说就是根据聚类的结果和k的函数关系判断k为多少的时候效果最好。另一种则是根据具体的需求确定，比如说进行衬衫尺寸的聚类你可能就会考虑分成三类（L,M,S）等 2.然后我们需要选择最初的聚类点（或者叫质心），这里的

针对K-means算法中的初始聚类中心是随机选择这一缺点进行改进，利用提出的新算法选出初始聚类中心，并进行聚类。这种算法比随机选择初始聚类中心的算法性能有所提高，具有更高的准确性。

K-Means聚类算法研究综述_杨俊闯.pdf

多维k-means聚类算法java简单实现，导入运行KmeansTest.java可看到结果 多维k-means聚类算法java简单实现，导入运行KmeansTest.java可看到结果