1.
MATLAB函數Kmeans
使用方法：
Idx=Kmeans(X,K)
[Idx,C]=Kmeans(X,K)
[Idx,C,sumD]=Kmeans(X,K)
[Idx,C,sumD,D]=Kmeans(X,K)
[…]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…)
各輸入輸出參數介紹：
X: N*P的數據矩陣，N為數據個數，P為單個數據維度
K: 表示將X划分為幾類，為整數
Idx: N*1的向量，存儲的是每個點的聚類標號
C: K*P的矩陣，存儲的是K個聚類質心位置
sumD: 1*K的和向量，存儲的是類間所有點與該類質心點距離之和
D: N*K的矩陣，存儲的是每個點與所有質心的距離
https://blog.csdn.net/wys7541/article/details/82153844
2.
輸入：聚類的個數K，數據集，樣本距離計算依據
輸出：K個聚類
https://blog.csdn.net/sinat_38648388/article/details/83896131
3.
1.僅適合於數值屬性的數據。
2.對正態分布（高斯分布）數據聚類效果最佳。
方法：
1. 從D中N個對象任意選擇k個對象作為初始簇中心；
2. 根據歐氏距離，依次比較其余每個對象與各個簇中心的距離；選擇距離最近的簇，依次把N個對象划分到k個簇中；
3. 完成第一次划分后，重新計算新的簇中心即均值，然后重新划分數據對象，直到新的簇中心不再發生變化。
https://blog.csdn.net/qiu1440528444/article/details/80611942
4.% 輸入： data, 為一個 矩陣 M×N， 表示樣本集，其中M表示共有M個樣本， N表示每一個樣本的維度；5.% k_value, 表示聚類的類別數目；
% 輸出： output, 是一個列向量 M×１，表示每一個樣本屬於的類別編號；
https://www.cnblogs.com/yinheyi/p/6132362.html
5.
https://www.cnblogs.com/tiandsp/p/3040883.html
6.
https://blog.csdn.net/qq_20936739/article/details/78342882
7.
1,kmeans的k是必須已知的，也就是我必須預先知道分成幾類
2,雖然你給定的是K類，但是我最終是有可能跑出來的類數小於初始設定的k，雖然每一個聚類中心都經過初始化，但是最終有的聚類中心可能會不包含一個點，那么這個聚類中心相當於可以省去，即分成k-1類（講道理這是一件好事，說明原來我認為需要分5類，現在程序跑出來發現4類是最好的，這就達到了處理數據的目的，但是這並不是說我k隨便給，最終結果就是最優解，很可能3類是最優，但是4類也能分，但是5類就很難分了,具體比如下面的一個例子) 。
（后來的注釋： 但是空聚類也有處理方法，就是聚類中心替換為當前距離任意聚類中心最遠的點)
3,數據可以是任意維度，修改的僅僅是求距離的方式。
https://blog.csdn.net/fengsigaoju/article/details/52167802