k-means聚类算法描述
1、假定我们要对N个样本观测做聚类，要求聚为K类，首先选择K个点作为初始中心点； 2、接下来，按照距离初始中心点最小的原则，把所有观测分到各中心点所在的类中； 3、每类中有若干个观测，计算K个类中所有样本点的均值，作为第二次迭代的K个中心点； 4、然后根据这个中心重复第2、3步，直到收敛（中心点不再改变或达到指定的迭代次数），聚类过程结束。
算法评价：
k-means 算法
spss软件中，默认的聚类算法是K-means 。
k-means算法matlab
spss可以比较方便的求出聚类中心，但无法画出图像，这里是matlab实现k-means算法的代码。
代码语言：javascript复制opts = statset('Display','final');
%调用 Kmeans 函数
%X N*P 的数据矩阵
%Idx N*1 的向量,存储的是每个点的聚类标号
%Ctrs K*P 的矩阵,存储的是 K 个聚类质心位置
%SumD 1*K 的和向量,存储的是类间所有点与该类质心点距离之和
%D N*K 的矩阵，存储的是每个点与所有质心的距离;
[Idx,Ctrs,SumD,D] = kmeans(X,4,'Replicates',2,'Options',opts);
%画出聚类为 1 的点。X(Idx==1,1),为第一类的样本的第一个坐标；X(Idx==1,2为第二类的样本的第二个坐标
plot(X(Idx==1,1),X(Idx==1,2),'r.','MarkerSize',14)
hold on
plot(X(Idx==2,1),X(Idx==2,2),'b.','MarkerSize',14)
hold on
plot(X(Idx==3,1),X(Idx==3,2),'g.','MarkerSize',14)
hold on
plot(X(Idx==4,1),X(Idx==4,2),'y.','MarkerSize',14)
%绘出聚类中心点,kx 表示是圆形
plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
%legend('Cluster 1','Cluster 2','Cluster3','Centroids','Location','NW')
Ctrs
SumD注：kmeans函数第二个值代表聚类数量 比如，代码中为4，代表分4类。
