GMM-KMeans异常检测 对于一维时间序列数据，使用GMM和K-means算法检测离群值。对一维时间序列数据，采用GMM和K-Means算法进行异常点检测。

关于k-means聚类的原理可以参考这篇博客： https://blog.csdn.net/sinat_36710456/article/details/88019323 本篇只讨论基本的代码实现，由于只是对一维数组的聚类，距离公式上比较简单：distance = |a – b| 适合初学者理解最基本的原理 所谓一维数组 比如： [12, 3, 56, 89, 78, 2, 12, 45, 255, 236] 以下代码实现的是对一组数字的聚类 类别的个数可以设置，改变参数n的值即可 代码如下（建议从最下边的主函数开始看起）： import numpy as np impor

K-means算法的Matlab实现代码（使用文档+源代码），直接改写参数运行即可。 K-means算法的Matlab实现代码（使用文档+源代码），直接改写参数运行即可。

可以运用此代码进行医学图像处理，可以实现图像聚类、分割

电子科技大学数据挖掘课程 K-Means算法&通过感知机 反向传播算法实现人工神经网络（ANN) 实验报告+代码

针对用电数据量大、用电数据挖掘效率低等问题,采用理论分析和实验的方法,进行用电数据并行分析构架的研究,研究了Canopy和K-means两种典型的聚类算法,提出一种新的聚类思路,使用Canopy先对用电数据进行粗略处理,得到聚类个数和聚类中心,再用K-means精确聚类,既利用了K-means算法简单、收敛速度快的优势,又使其不容易陷入局部最优.为达到处理海量数据的目的,把提出的算法部署到MapReduce框架上进行实验.研究结果表明:提出的算法在海量用电数据的处理方面高效可行,并且具有良好的加速比.

KMeans算法和Elbow准则 “ k-Means聚类背后的想法是获取一堆数据并确定数据中是否存在任何自然聚类（相关对象的组）。 k-Means算法是所谓的无监督学习算法。 我们事先不知道数据中存在什么模式-它没有形式分类-但我们想知道是否可以将数据以某种方式分为几类。 例如，您可以使用k-Means通过告诉像素根据其颜色值将像素分组为3个群集来查找图像中3种最突出的颜色。 或者，您可以使用它将相关新闻文章分组在一起，而无需事先确定要使用的类别。 该算法将自动找出最佳组。 k均值中的“ k”是一个数字。 该算法假定数据中存在k个中心，各个数据元素分散在周围。 最接近这些所谓质心的数据将被分类或分组在一起。 k-Means不会告诉您每个特定数据组的分类器是什么。 将新闻文章分成几组后，并不能说第一组是关于科学的，第二组是关于名人的，第三组是关于即将举行的选举的，等等。您只知道相关的新闻故事现在在一起了，但不一定是什么这种关系意味着。 k均值仅有助于寻找潜在的集群。” -取自对算法的移植。 存储库包含： 将的模型拟合到。 使用“肘标准”为K-means算法确定最佳聚类数的

主要介绍了Spark实现K-Means算法代码示例，简单介绍了K-Means算法及其原理，然后通过具体实例向大家展示了用spark实现K-Means算法，需要的朋友可以参考下。

用K-Means算法 K-Harmonic Means算法分别对平面上的点集进行聚类 并对结果进行比较

K-means算法 MATLAB程序可以直接运行，有助于初学者的学习使用