K-means 对 iris 数据进行聚类并显示聚类中心，聚类结果等，附注释

大连交大一位马同学的硕士论文。设计并实现了一个并行K-means聚类算法和Web文本聚类原型系统，可进行并行K-means算法的划分聚类和基于层次的组平均聚类。利用几 组Web文本数据集对基本的K-means算法和改进的算法以及基于层次的组平均算法进行试验和比较，验证改进算法的有效性。实验结果表明：并行K-means算法的聚类结果与串行算法相同，但执行效率得到了很大的提高。

SimpleKMeans聚类结果分析 重要的输出信息 “ Within cluster sum of squared errors ”评价聚类好坏的标准—SSE，即误差的平方和。SSE值越小说明聚类结果越好。 “Cluster centroids:”之后列出了各个簇中心的位置。对于数值型的属性，簇中心就是它的均值（Mean），分类型的就是它的众数（Mode）。 “Clustered Instances”是各个簇中实例的数目及百分比。

测量聚类结果的准确度百分比和兰德指数类的数量必须等于数量集群输出Acc =聚类结果的准确性rand_index = Rand's Index，衡量聚类结果的一致性match = 2xk 矩阵，这是目标和聚类结果的最佳匹配输入T = 1xn 目标索引idx =1xn 聚类结果矩阵 前任： X=[randn(200,2);randn(200,2)+6,;[randn(200,1)+12,randn(200,1)]]; T=[ones(200,1);ones(200,1).*2;ones(200,1).*3]; idx=kmeans(X,3,'emptyaction','singleton','Replicates',5); [Acc，rand_index，match] = AccMeasure（T，idx）

1、解压下载的CollaborativeFilteringBasedUserKmeans压缩文件 2、操作系统中需装java jdk1.7或者以上版本 3、点击start.bat，在运行过程中，会输出聚类结果，然后输出用户id进行推荐，和mae值

MATLAB绘制2维数据点程序，用于显示聚类结果，能够以不同颜色和形状显示不同类别的数据点；MATLAB基础程序，简单易用有注释，高手请绕路勿喷，只为挣个积分，愿世界和平。