matlab 多维kmeans算法,[转载]K-means算法的MATLAB实现及基于此的图像分割

首次接触k-means算法是在大二参加华中地区数学建模时，题目是对各搜索引擎进行评价，在进行搜索结果文本分析的时候，稀里糊涂就用了k-means，现在趁着机器学习的作业，重新学习了一下。

K-means通常作为一种聚类分析方法流行于数据挖掘领域，其目的是：把n个点(可以是样本的一次观察或一个实例)划分到k个聚类中，使得每个点都属于离他最近的均值(此即聚类中心)对应的聚类，以之作为聚类的标准[1]。K-means聚类是无监督机器学习中常用的算法，所谓无监督(无教师)学习，指拿到一堆数据，不知道其类别信息，直接丢给学习算法，算法根据数据特征，自动将数据分类。例如，有一堆水果混杂在一起，并不知道它们的名字，我们按照它们的特征(长的，圆的，有刺的)分成几堆，后来有人告诉我们这分别是香蕉、苹果和榴莲。我们并不知道这些水果的类别信息，但我们却能大体将其归类，这个性质特别实用，因为在实际中我们往往缺乏先验知识，拿到的是密密麻麻的一堆数据，如果直接喂给模型来学习可能会比较低效。于是k-means作为无监督的聚类算法，通常用于数据的预处理，实现大体上的分类，随后再进行更精细的处理。K-means有个很著名的解释，牧师—村民模型[2]：

有四个牧师去郊区布道，一开始牧师们随意选了几个布道点，并且把这几个布道点的情况公告给了郊区所有的居民，于是每个居民到离自己家最近的布道点去听课。

听课之后，大家觉得距离太远了，于是每个牧师统计了一下自己的课上所有的居民的地址，搬到了所有地址的中心地带，并且在海报上更新了自己的布道点的位置。