基于K-Means聚类算法的景区数据分析——以黄果树景区为例.pdf

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</

非常好的一篇关于模糊聚类的文章

关键技术： logistics回归、K-means聚类、信效度检验、PCA降维、深度学习、神经网络、大数据、数据分析和可视化 本人负责深度学习算法和神经网络构建，以及数据分析和可视化模块。

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！

RFM分析与建模 使用K-Means和聚集聚类基于RFM功能创建客户细分

zip文件包含两个函数：kmedia.mat和isodata.mat，这个函数做了两种聚类方法。 Kmedia 函数执行 k-means 算法，它具有树输入（X 向量、Y 向量和最终簇数）并返回每个簇的元素和每个簇的中心。 Isodata 函数返回相同的结果，但有更多的输入，这是 ISODATA 算法所必需的。 有两个函数，“kmedia”和“isodata”，这些函数执行“k-means”和“ISODATA”的聚类算法。 这些函数将点向量和某些参数作为输入，并返回找到的分组及其质心。

Cluster_2D_Visualization.m 是一个生成随机（均匀）分布数据点的脚本，运行 kMeans.m 和 MATLAB 的内置 kmeans 函数，测量和比较它们的性能（即计算时间），并可视化最终的集群和数据的分布直方图中聚类中的点。 kMeans.m 实现 k-means（无监督学习/聚类算法）。 技术细节： 初始质心是从所有数据点的集合中随机选择的（每个数据点最多一次）。 停止条件是不对任何集群进行任何更改。 clustering_app.mlapp 打开一个带有 GUI 的应用程序，您可以在其中随机生成数据点并将它们聚类。 您可以重新点击所有按钮以查看点生成和聚类算法中的随机性。 clustering_app.mlappinstall 在 MATLAB 编辑器中安装 MATLAB 应用程序。

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。