使用python进行编码，k - means聚类算法，里面有数据集。

k-means 算法接受参数 k ；然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。

kmeans：是用Go编写的k-means聚类算法实现

k-means聚类算法及matlab代码调制分类 一种基于我的论文的新方法 用MATLAB Nowly编写，然后导入到Python 单载波调制算法分为两部分。 k-means聚类处理主要任务，而k-center greedy algorithm提高了k-means的性能。 这两个函数一起编译输入信号，该输入信号是复数的数组，并将它们映射到同相正交图上。 在此IQ图上，确定聚类中心，然后将结果传递到另一个代码，该代码确定输入信号的调制类型是什么。 考虑的调制类型是任何M-ary QAM和M-ary PSK调制，它们涵盖了当今大多数流行的调制。 k中心贪婪算法 此功能用于初始化k-means聚类。 通过之前进行该k-means聚类，表现k-means如图我的纸显著改进： 随机初始化它们时，该性能优于k-means和k-means++算法。 与执行此操作相比，执行此操作的成本也很小，因为它可以扫描theta（N）时间中的点，并且还可以提高此性能。 这是度量k-center optimization problem的贪婪近似算法，在k次迭代中达到2的近似因子。 贪婪算法的工作原理如下： 任意选

空间聚类算法中，聚类的效果在很大程度上受制于最佳[k]值的选择。典型的[K]-均值算法中，聚类数[k]需要事先确定，但在实际情况中[k]的取值很难确定。针对手肘法在确定[k]值的过程中存在的“肘点”位置不明确问题，基于指数函数性质、权重调节、偏执项和手肘法基本思想，提出了一种改进的[k]值选择算法ET-SSE算法。通过多个UCI数据集和[K]-means聚类算法对该算法进行实验，结果表明，使用该[k]值选择算法相比于手肘法能更加快速且准确地确定[k]值。

使用k均值聚类的图像压缩 该程序使用图像中每个像素的RGB值作为特征执行k-means clustering 。 图像中成千上万种独特的颜色基本上平均为K种不同的颜色。 各种K值的输出如下所示。 将要压缩的images image.png在images文件夹中。 原始图片积分 该项目的Coursera MOOC：的作业为基础。

K-means聚类，手撕代码、包括数据生成、模型展示，可直接运行

用于k-means多维数据聚类实现，实验数据，希望能帮助大家来学习

数字半色调是在二值设备或多色二值设备上实现图像再现的一门技术, 提出将K-means 聚类法应用在数字半色调技术中。算法中应用人类视觉系统模型HVS和印刷模型最大限度减少原始灰度连续调图像和半色调图像之间的视觉误差; 利用K-means聚类法将灰度图像划分成聚类分区, 在每个聚类分区应用最小平方法least-squares最小化二值半色调图像和原始灰度级图像之间的平方误差, 所构造的半色调算法与基于模型的最小平方法LSMB算法相比, 随着聚类分区的增加, 图像平滑且边缘清晰度增加, 尤其是在图像细节部位。与LSMB算法比较, 该算法的均方误差值有所降低, 而权重信噪比和峰值信噪比提高了0. 2～2 dB, 模拟实验结果验证了算法的有效性。

机器学习部分聚类 SVM PCA详细代码实例，并附有数据集。