K_均值聚类方法

用k均值聚类实现随机n个数分类到k类中。k和n是可变的。用图形化显示聚类结果。需要把两个文件放在同一目录下，运行wkmeans2D即可。

K均值聚类算法是一种基于距离度量的聚类方法，可以将n个数据分成k个簇，是数据挖掘中常用的算法之一。本文详解了算法原理、聚类思想和应用场景，并提供了实际案例和代码实现。如果您正在寻找一种高效且有效的聚类

本算法是对一张图片的像素点进行聚类，每个像素点是一个五维样本(x,y,r,g,b)进行聚类，其中x,y代表像素的位置，r,g,b分别代表个每个像素的图像特征RGB值。

用c++编的 十分好用,是数据挖掘的好工具

整理的matlab的K均值聚类算法，可以直接运行，包含K均值二维聚类算法，包含K均值三维聚类算法，包含K均值多维聚类算法函数模型

深入研究机器学习中一项常见而重要的算法——K均值聚类。K均值聚类与K近邻算法名字相似，但“K”的含义截然不同。在K近邻中，“K”表示与输入数据最接近的K个数据点；而在K均值聚类中，“K”表示将一组未标

算法简介 ? k -means 算法也被称为 k - 平均或 k - 均 值是一种得到最广泛使用的聚类算法 它 是将各个聚类子集内的所有数据样本 的均值作为该聚类的代表点算法的主 要思想是通过迭代过程

Fuzzy K-means algorithm and its matlab implementation

之前学习并详细总结了一篇k-均值（k-means）算法文章，于是顺便提供Matlab代码实现，这份代码通过Matlab随机生成三组数据，然后进行聚类实现。还有另一份较复杂的实现代码可动态实现k-均值的

Rough set based K-means clustering algorithm in image segmentation application.pdf