kmean算法的简单实现--示例是对二维数据做处理，也可修改为多维

这可能是我写的最后一个博客文章，谨记！

首先这是一个分类算法里面***最简单***的一个机器学习算法！
算法思想：

1. 随机初始化C个类聚中心。确定样本点之间的距离计算公式（本文使用欧式距离，你也可以用马氏距离、Manhattan distance等）；
2. 按你采取的距离定义，计算每个样本点到各个类聚中心的距离，离哪一个中心近，就归为哪一个中心。这样把样本归完类后，再根据每个类的样本点就算类聚中心；
3. 如果计算出来的新的类聚中心和之前的中心不同，则已新的类聚中心进行分类，即重复步骤2；否则停止迭代。分类结果和类聚中心即为我们所求。

-----------------------------我是分割线---------------------------------
你如果想在自己的工程中用这个算法，可以考虑使用MATLAB的kmean()这个function，简单高效率；

如果你想学习算法，建议还是老老实实敲一遍代码，也许你的代码执行效率和MATLAB提供的相差很大，但是，写一遍终归对自己有个交代。

算法代码如下：

%注意这里的data，我是读取的一个xlsx表，里面是要分类的数据，二维的
data = xlsread('C:\Users\Administrator\Desktop\实验6\实验数据.xlsx',1,'B2:E151');
C=2;%聚类中心个数
[M,N]=size(data);
%c=unifrnd(1,15,C,N);  %随机产生C个聚类中心，存放在c里面 --初始中心
c=data(1:C,:);   %用前三个样本点初始三个聚类中心
len = zeros(M,C);
result=zeros(M,1);  %标记

realc =c;  %计算得到的聚类中心

count=zeros(C,N+1);   %计算聚类中心的中间量

while(true)
    for i=1:M
        for j=1:C
            len(i,j)=norm(data(i,:)-c(j,:));
        end
    end
    [dontCare,result]=min(len,[],2);
    %重新计算类聚中心
    for i=1:M
        for j=1:C
            if result(i,1)==j
                for k=1:N
                    count(j,k)=data(i,k)+count(j,k);
                end
                count(j,end)=count(j,end)+1;
            end
        end
    end
    for i=1:C
        if count(i,end) ==0
            continue
        end
        for j=1:N
            realc(i,j)=count(i,j)/count(i,end);
        end
    end
    if isequal(c,realc)
        break;
    else
        c=realc;
        count(:,:)=0;
    end
end

里面的result 存放的样本分类结果。初始化中心点选取的是样本集中的任意几个样本。

有什么意见和建议可以联系我。欢迎大家和我讨论。
我的邮箱：13659512310@163.com

顺便附上代码库：https://github.com/liAoI/