前言

k-means演算法是一種基於樣本間相似性度量的間接聚類方法，屬於非監督學習方法。通過指定k值將資料自動迭代分成k組，實現資料分類，然後可對分類好的資料進行進一步的研究。

演算法原理

1.在資料中隨機選取k個數據作為聚類中心 2.計算其他資料到k個聚類中心的距離（這個距離可以是歐氏距離或者其他距離） 3.根據到聚類中心的最小距離將資料分為k類 4.更新聚類中心的座標（對分類好的資料求均值） 5.回到2重新進行分類，（進行多次迭代更新，使聚類中心趨於穩定，迭代次數可根據需要自由設定）

Matlab模擬圖

來看看matlab模擬結果，先隨機撒點

kmeans演算法進行分類，k=4 資料成功分為4組，由於這裡用的均勻分佈的隨機數，資料也均勻被分為k組。

演算法實現

//Kmeans演算法
    //k:聚類數量
    //points:座標資料
    //iteration:迭代計算次數
    //返回：聚類中心
    public static Point[] Kmeans(int k, Point[] points,int iteration){
        if (points.length<k) return null;

        //聚類中心
        Point[] centre=new Point[k];
        for(int i=0;i<centre.length;i++){
            centre[
 
i]=points[i];
        }

        while (--iteration>0){
            //分組下標，每個資料對應聚類中心陣列的下標
            int[] index=new int[points.length];

            //統計每組的資料數量
            int[] count=new int[centre.length];

            //分組
            for (int i=0;i<points.length;i++){
                //最小距離，-1代表沒有初值
 

                float min=-1;

                //尋找最近的聚類中心
                for (int j=0;j<centre.length;j++){
                    float d=(float) Math.sqrt((centre[j].x-points[i].x)*(centre[j].x-points[i].x)+
                            (centre[j].y-points[i].y)*(centre[j].y-points[i].y));
                    if(min<0||d<min){
                        min=d;
                        index[i]=j;
                    }
                }

                ++count[index[i]];
            }

            //更新聚類中心
            for(int i=0;i<centre.length;i++){
                centre[i].x=0;
                centre[i].y=0;
            }

            for (int i=0;i<index.length;i++){
                centre[index[i]].x+=points[i].x;
                centre[index[i]].y+=points[i].y;
            }

            for(int i=0;i<centre.length;i++){
                if (count[i]==0) continue;
                centre[i].x/=count[i];
                centre[i].y/=count[i];
            }
        }

        return centre;
    }