对主要聚类算法进行实现：基于划分的聚类算法，基于密度的聚类算法，基于层次的聚类算法。并且重点实现“基于快速搜索与寻找密度峰值的聚类”算法，并对其进行改进：自动获取聚类中心数

基于k-means和关联度分析的网络招聘信息数据挖掘.pdf

目前在教学管理中, 通常采用算术平均线性划分法对学生成绩进行分析评价, 难以准确地反映学生真实的学习情况. 笔者运用K-means 算法对上海市某高级中学某班的一次试卷成绩进行聚类, 并对聚类结果进行了详细分析, 为制定有效的教学及学习策略提供相关依据.

针对传统分层路由算法存在的分簇不均匀、簇头选举不合理以及数据传输形式单一等问题，提出基于K-means++的无线传感网改进分簇算法LEACH-KPP。首先在成簇阶段采用K-means++算法实现均匀分簇，随后在簇头选举阶段使用改进簇头选举函数选取簇头，最后在融合数据传输阶段根据簇头与基站、簇头与簇头之间距离动态选择单跳与多跳的混合传输方式传输数据。OMNet++仿真结果与时间复杂度推导表明，LEACH-KPP延长了网络的生存周期，在节点剩余能量与后期存活数目上都优于传统分层路由算法。

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。

这里面包含了k-means实现代码以及数据集，里面的注释比较简洁，但足以让你能够看懂。本代码是本人亲自试过多次，请放心使用。记得使用时改下代码里面的包名和你数据所放的位置，本代码中是放在D盘中的，你可以根据需要进行修改。。。。

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算法 java实现，可以用来参考参考

本文为大家分享了Python机器学习之K-Means聚类的实现代码，供大家参考，具体内容如下 1.K-Means聚类原理 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 算法大致流程为：（1）随机选取k个点作为种子点(这k个点不一定属于数据集)；（2）分别计算每个数据点到k个种子点的距离，离哪个种子点最近，就属于哪类；（3）重新计算k个种子

基于萤火虫优化的加权 K-means 算法