加载中…K均值聚类Matlab示例
(2016-08-24 23:15:38)
标签：
k-meansk均值聚类matlab |
分类： Matlab |
1、聚类
%为避免循环运行时间过长，通常设置一个循环次数
%或相邻两次聚类中心位置调整幅度小于某阈值则停止
%更新数据点属于哪个类
for i =
1:len
x_temp = X(i,:);
%提取出单个数据点
d1 = norm(x_temp - C1);
%与第1个类的距离
d2 = norm(x_temp - C2);
%与第2个类的距离
d3 = norm(x_temp - C3);
%与第3个类的距离
d =
[d1;d2;d3];
[~, id] = min(d);
%离哪个类最近则属于那个类
Idx(i) =
id;
end
%更新类的中心位置
L1 = X(Idx
== 1,:);
%属于第1类的数据点
L2 = X(Idx
== 2,:);
%属于第2类的数据点
L3 = X(Idx
== 3,:);
%属于第3类的数据点
C1 =
mean(L1);
%更新第1类的中心位置
C2 =
mean(L2);
%更新第2类的中心位置
C3 =
mean(L3);
%更新第3类的中心位置
http://s12/mw690/002sfI7Jzy74jfOQeiT2b&690
http://s10/mw690/002sfI7Jzy74jfOSknn49&690
http://s9/mw690/002sfI7Jzy74jfOV1TWc8&690
http://s13/mw690/002sfI7Jzy74jfOWMG01c&690
聚类就是按照某个特定标准（如距离准则）把一个数据集分割成不同的类，使得同一个类内的数据对象的相似性尽可能大，同时使不在同一个类中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同类的数据尽量分离。
2、聚类和分类的区别
聚类算法是给一堆原始数据，然后通过算法将其中具有相似特征的数据聚为一类。
分类算法是给一个数据，然后判断这个数据属于已分好的类中的具体哪一类。
3、K均值聚类
给定一个数据点集合和需要的聚类数目k（由用户指定），k均值算法根据某个距离函数反复把数据分入k个聚类中。
K-means聚类算法步骤：
1）初始化。输入数据点集合X，并指定聚类类数N，在X中随机选取N个对象作为初始聚类中心；
2）设定迭代终止条件。比如最大循环次数或者聚类中心收敛误差容限；
3）更新样本属于哪个类。根据相似度准则将数据对象分配到最接近的类；
4）更新类的中心位置。以每一类的平均向量作为新的聚类中心；
反复执行第3步和第4步直至满足终止条件。
K-means聚类算法优点：
1）算法简单、快速；
2）对大数据集效率较高。
K-means聚类算法缺点：
1）需事先指定聚类个数K；
2）初始聚类中心的选取对聚类结果有较大影响。
4、Matlab示例
4.1、main.m
% K_means
cluster测试
clc;
clear;
%% 1 random sample
%随机生成三组数据
a = rand(30,2) *
2;
b = rand(30,2) *
5;
c = rand(30,2) *
10;
figure(1);
subplot(2,2,1);
plot(a(:,1), a(:,2), 'r.');
hold on
plot(b(:,1), b(:,2),
'g*');
plot(c(:,1), c(:,2), 'bx');
hold off
grid on;
title('raw data');
%% 2 K-means
cluster
X = [a; b; c];
%需要聚类的数据点
xstart = [2 2; 5 5; 8 8];
%初始聚类中心
subplot(2,2,2);
plot(X(:,1), X(:,2), 'kx');
hold on
plot(xstart(:,1), xstart(:,2),
'r*'); hold off
grid on;
title('raw data
center');
[Idx, Center] = K_means(X,
xstart);
subplot(2,2,4);
plot(X(Idx==1,1), X(Idx==1,2),
'kx'); hold on
plot(X(Idx==2,1), X(Idx==2,2),
'gx');
plot(X(Idx==3,1), X(Idx==3,2),
'bx');
plot(Center(:,1), Center(:,2),
'r*'); hold off
grid on;
title('K-means cluster
result');
disp('xstart = ');
disp(xstart);
disp('Center = ');
disp(Center);
4.2、K_means.m
function [Idx, Center] = K_means(X,
xstart)
% K-means聚类
%
Idx是数据点属于哪个类的标记，Center是每个类的中心位置
% X是全部二维数据点，xstart是类的初始中心位置
len = length(X);
%X中的数据点个数
Idx = zeros(len, 1);
%每个数据点的Id，即属于哪个类
C1 = xstart(1,:);
%第1类的中心位置
C2 = xstart(2,:);
%第2类的中心位置
C3 = xstart(3,:);
%第3类的中心位置
for i_for = 1:100
end
Center = [C1; C2; C3];
%类的中心位置
5、程序运行结果
这里展示五组不同数据的结果。http://s15/mw690/002sfI7Jzy74jfONGeWbe&690
http://s12/mw690/002sfI7Jzy74jfOQeiT2b&690
http://s10/mw690/002sfI7Jzy74jfOSknn49&690
http://s9/mw690/002sfI7Jzy74jfOV1TWc8&690
http://s13/mw690/002sfI7Jzy74jfOWMG01c&690
如有所收获，欢迎用微信扫一扫进行打赏，赏金随意。
喜欢
0
赠金笔
前一篇：Python基础入门
后一篇：三十六计