本文主要为了完成平日作业，并进一步加深对算法的理解。也希望对来访的读者有所帮助。
（该算法的优化Kmean++算法的代码详解已在其他文章给出：
目录
k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
K-means算法通常可以应用于维数、数值都很小且连续的数据集，比如：从随机分布的事物集合中将相同事物进行分组。它的应用有许多，比如文档分类器、乘车数据分析、IT警报的自动化聚类等许多方面。
欧式距离公式：（计算其他点到不同中心点的距离，判断属于哪个簇类）
（1）从N个数据文档（样本）随机选取K个数据文档作为质心（聚类中心）。
本文在聚类中心初始化实现过程中采取在样本空间范围内随机生成K个聚类中心。
（2）对每个数据文档测量其到每个质心的距离，并把它归到最近的质心的类。
（3）重新计算已经得到的各个类的质心。
（4）迭代（2）~（3步直至新的质心与原质心相等或小于指定阈值，算法结束。
本文采用所有样本所属的质心都不再变化时，算法收敛。
function [U, E_in] = KMeans(data, K)
[N, d] = size(data);
% init U
sampleIds = randsample(1:N, K, false); //从n个点中随机选择三个点作为中心点
U = data(sampleIds, :); //以这三个点为中心形成簇类
labels_u = zeros(N, 1); //初始换建立一个N行1列的零数组
stop = true;
while stop //把true复制给stop，需要一直循环
for i = 1:N //从第1个点一直到第n个点
x = data(i, :); //读取第1个数据放到X里面
% check label
label = 0; //初始化label为0，代表是第几个簇类
dist = 0; //初始化dist距离为0
for j = 1:K //计算到达三个中心点的距离，依次推断属于哪个簇类
tmp_dist = sum((x-U(j, :)).^2); //计算欧式距离，因比较大小，不用开根号也行
if label == 0 || tmp_dist < dist //如果是第一次计算lable=0或者此时的距离小于上一次计算出的距离
label = j; //当前的点暂时属于第j个聚类
dist = tmp_dist; //欧式距离更新为当前的更小值
end
end //循环结束
if labels_u(i) ~= label //如果第个i点不等于label
stop = false; //继续循环
end
labels_u(i) = label; //第个i点属于第label个簇类
end
if stop == true //退出循环
break;
end
%update U //更新中心点
new_U = zeros(K, d); //初始化中心点，并全部清零
labels_count = zeros(K, 1); //统计不同簇类的个数
for i = 1:N //遍历所有点
label = labels_u(i); //提取出簇类标志
new_U(label, :) = new_U(label, :) + data(i, :); //这行代码不太懂，所有标签及对应data数据之和
labels_count(label) = labels_count(label) + 1; //属于相同簇类的加起来
for i = 1:K%
new_U(i, :) = new_U(i, :)/labels_count(i); //初始化的中心点除以每个聚类里面总的个数
end
U = new_U; //用新的U来代替
end
E_in = 0;
for i = 1:N //N个点需要重新遍历
label = labels_u(i); //将label标签提取出来
u = U(label, :);
E_in = E_in + norm(data(i)-u); //每一个点跟中心的距离，所有的距离应该是欧式距离的和
end
E_in = E_in/N; //欧式距离的和除以N,每个点距离的举止，表示聚合的效果
end以上就是对于Kmeans算法每行代码详细注解的全部内容啦，希望对大家有所帮助，快快收藏，好好学习这个算法吧！我也很乐意与读者进行探讨！