1.

MATLAB函数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,…)

各输入输出参数介绍：
X: N*P的数据矩阵，N为数据个数，P为单个数据维度
K: 表示将X划分为几类，为整数
Idx: N*1的向量，存储的是每个点的聚类标号
C: 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

https://blog.csdn.net/wys7541/article/details/82153844

2.
输入：聚类的个数K，数据集，样本距离计算依据
输出：K个聚类

https://blog.csdn.net/sinat_38648388/article/details/83896131

3.

1.仅适合于数值属性的数据。
2.对正态分布（高斯分布）数据聚类效果最佳。

方法：
1. 从D中N个对象任意选择k个对象作为初始簇中心；
2. 根据欧氏距离，依次比较其余每个对象与各个簇中心的距离；选择距离最近的簇，依次把N个对象划分到k个簇中；
3. 完成第一次划分后，重新计算新的簇中心即均值，然后重新划分数据对象，直到新的簇中心不再发生变化。

https://blog.csdn.net/qiu1440528444/article/details/80611942

4.% 输入： data, 为一个 矩阵 M×N， 表示样本集，其中M表示共有M个样本，　N表示每一个样本的维度；5.% k_value, 表示聚类的类别数目；

% 输出：    output, 是一个列向量 M×１，表示每一个样本属于的类别编号；
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是必须已知的，也就是我必须预先知道分成几类

 2,虽然你给定的是K类，但是我最终是有可能跑出来的类数小于初始设定的k，虽然每一个聚类中心都经过初始化，但是最终有的聚类中心可能会不包含一个点，那么这个聚类中心相当于可以省去，即分成k-1类（讲道理这是一件好事，说明原来我认为需要分5类，现在程序跑出来发现4类是最好的，这就达到了处理数据的目的，但是这并不是说我k随便给，最终结果就是最优解，很可能3类是最优，但是4类也能分，但是5类就很难分了,具体比如下面的一个例子) 。

             （后来的注释： 但是空聚类也有处理方法，就是聚类中心替换为当前距离任意聚类中心最远的点)

 3,数据可以是任意维度，修改的仅仅是求距离的方式。
https://blog.csdn.net/fengsigaoju/article/details/52167802