K-means演算法以偶是距離作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。演算法採用誤差平方和準則函式作為聚類準則函式 K-means聚類演算法採用的是將NP的矩陣X劃分為K個類，使得類內物件之間的距離最大,而類之間的距離最小。 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,…) 各輸入輸出引數介紹： X :NP的資料矩陣 K: 表示將X劃分為幾類，為整數 Idx :N1的向量，儲存的是每個點的聚類標號 C: K

P的矩陣，儲存的是K個聚類質心位置 sumD 1K的和向量，儲存的是類間所有點與該類質心點距離之和 D NK的矩陣，儲存的是每個點與所有質心的距離 […]=Kmeans(…,‘Param1’,Val1,‘Param2’,Val2,…) 這其中的引數Param1、Param2等，主要可以設定為如下： 1. ‘Distance’(距離測度) ‘sqEuclidean’ 歐式距離（預設時，採用此距離方式） ‘cityblock’ 絕度誤差和，又稱：L1 ‘cosine’ 針對向量 ‘correlation’ 針對有時序關係的值 ‘Hamming’ 只針對二進位制資料 2. ‘Start’（初始質心位置選擇方法） ‘sample’ 從X中隨機選取K個質心點 ‘uniform’ 根據X的分佈範圍均勻的隨機生成K個質心 ‘cluster’ 初始聚類階段隨機選擇10%的X的子樣本（此方法初始使用’sample’方法） matrix 提供一K*P的矩陣，作為初始質心位置集合 3. ‘Replicates’（聚類重複次數） 整數