针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明:a)聚类的平均准确率在实验所采用的四种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;b)聚类的平均运行效率在实验所采用的五种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。

kmeans算法的一种改进算法，叫做kmeans++算法； 英文版； 超级容易懂的说明~

python界面GUI实现k-means聚类算法，基于tkinter的界面简单代码开发。k-means算法是自己写的，不是调用的库函数。程序最后可以实现，随机生成样本点，设置聚类中心数，区分颜色显示聚类结果，无限次迭代，退出等。

山东大学计算机科学与技术学院机器学习课程的实验报告

k-means聚类所用的数据集，与我的博客是对应的。

hadoop k-means算法实现java工程的打包类，可直接在terminal中运行，运行命令为： $HADOOP_HOME/bin/hadoop jar ClusterDemo.jar main.Cluster 然后直接确定就可以看到提示的运行参数或者参考下面： +" \n" +"\t:输入文件路径\n" +"\t:输出文件路径\n" +"\t:初始中心路径\n" +"\t:临时输出文件路径\n" +"\t:循环最大次数\n" +"\t:聚类中心变化阈值\n" +"\t:聚类中心数目\n" +"\t:原始数据属性数目\n" +"\t:reduce数目");

用于k-means聚类的MATLAB代码的编写，实现数据的聚类分析

SIFT等局部特征的词袋模型实现。包括K-means聚类，直方图特征的形成，以及KNN分类。

K-Means图像灰度值的聚类。很好的程序