matalb k-means函数使用方法（附一个很好的k-means参考博客）

首先得说，虽然matlab提供了KMeans函数，但是matlab的KMeans聚类好慢，真的好慢！
      K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以偶是距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数
    K-means聚类算法采用的是将N*P的矩阵X划分为K个类，使得类内对象之间的距离最大,而类之间的距离最小。
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,…)
各输入输出参数介绍：
       X :N*P的数据矩阵
       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
      […]=Kmeans(…,'Param1',Val1,'Param2',Val2,…)
      这其中的参数Param1、Param2等，主要可以设置为如下：
      1. ‘Distance’(距离测度)
        ‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
        ‘cityblock’ 绝度误差和，又称：L1
        ‘cosine’ 针对向量
        ‘correlation’  针对有时序关系的值
        ‘Hamming’ 只针对二进制数据
      2. ‘Start’（初始质心位置选择方法）
        ‘sample’ 从X中随机选取K个质心点
        ‘uniform’ 根据X的分布范围均匀的随机生成K个质心
        ‘cluster’ 初始聚类阶段随机选择10%的X的子样本（此方法初始使用’sample’方法）
         matrix 提供一K*P的矩阵，作为初始质心位置集合
      3. ‘Replicates’（聚类重复次数）  整数
                   这个博客很好，忘记了就参考这个！
深入浅出K-Means算法-CSDN.NET  http://www.csdn.net/article/2012-07-03/2807073-k-means