在聚类分析中，K-均值聚类算法（k-means algorithm）是无监督分类中的一种基本方法，其也称为C-均值算法，其基本思想是：通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。

假设要把样本集分为c个类别，算法如下：

（1）适当选择c个类的初始中心；

（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类，

（3）利用均值等方法更新该类的中心值；

（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。

下面介绍作者编写的一个分两类的程序，可以把其作为函数调用。

%% function [samp1,samp2]=kmeans(samp); 作为调用函数时去掉注释符

samp=[11.1506 6.7222 2.3139 5.9018 11.0827 5.7459 13.2174 13.8243 4.8005 0.9370 12.3576]; %样本集

[l0 l]=size(samp);

%%利用均值把样本分为两类，再将每类的均值作为聚类中心

th0=mean(samp);

n1=0;n2=0;

c1=0.0;

c1=double(c1);

c2=c1;

for i=1:l

if samp(i)<th0

c1=c1+samp(i);n1=n1+1;

else

c2=c2+samp(i);n2=n2+1;

end

end

c1=c1/n1;c2=c2/n2; %初始聚类中心

t=0;

cl1=c1;cl2=c2;

c11=c1;c22=c2; %聚类中心

while t==0

samp1=zeros(1,l);

samp2=samp1;

n1=1;n2=1;

for i=1:l

if abs(samp(i)-c11)<abs(samp(i)-c22)

samp1(n1)=samp(i);

cl1=cl1+samp(i);n1=n1+1;

c11=cl1/n1;

else

samp2(n2)=samp(i);

cl2=cl2+samp(i);n2=n2+1;

c22=cl2/n2;

end

end

if c11==c1 && c22==c2

t=1;

end

cl1=c11;cl2=c22;

c1=c11;c2=c22;

end %samp1,samp2为聚类的结果。

初始中心值这里采用均值的办法，也可以根据问题的性质，用经验的方法来确定，或者将样本集随机分成c类，计算每类的均值。

k-均值算法需要事先知道分类的数量，这是其不足之处。