MATLAB实现Ｋ-Means算法，输入的数据为待分类的图片，以及分类数。这个代码是针对单波段的，稍微改一下就可以进行多波段的。

k-means算法，2D3D两种数据都可，自由选择。可以导入点云数据或其他数据文件，具有可视化功能，以不同颜色分不同的簇

用matlab写的一个k-means聚类程序，简单实用

最大最小距离算法 最大最小距离算法首先根据确定的距离阈值寻找聚类中心，然后根据 最近邻规则把样本划分到各类聚类中心对应的类别中。 具体的算法描述如下： ①首先任选一个模式样本作为第一个聚类中心 ②选择离 距离最远的样本作为第二个聚类中心 ，距离用欧式距离公式来计算： ③逐一计算各样本与 ， 间的距离，即 ， 选出其中最小距离，

这段代码只是 Dirk-Jan Kroon 的 matlab 愿景，他发表了 Fast Non-Local Means 1D、2D Color 和 3D（ http://www.mathworks.com/matlabcentral/fileexchange/27395-fast-non-local-means- 1d-2d-color-and-3d ）。

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。

使用python对51job的招聘信息进行爬虫，使用python对职位信息输出词云，词频统计图，使用jieba库进行分词，然后使用gensim的word2vec进行词向量训练，然后使用sklearn的k-means算法进行聚类。压缩包内有代码，数据，简单的小论文文档，代码来源于网络，论文自己写的，水平一般。代码在anaconda的spyder开发环境可以正常运行。

机器学习数据集。

[IDX,C,SUMD,K] = best_kmeans(X) 划分 N×P 数据矩阵 X 中的点成 K 个簇。 X 的行对应点，列对应变量。 IDX 包含每个点的集群索引。 C 是 K×P 矩阵 C 中的 K 个簇质心位置。 SUMD 是 1×K 向量中点到质心距离的总和。 K 是使用 ELBOW 方法确定的聚类质心数。 ELBOW方法：计算从1到n，并且K是对应于90％百分比的簇数方差解释，这是组间方差与总方差。 见 找到最好的K个簇后，使用kmeans确定IDX,C,SUMD matlab中的函数。