MATLAB工具箱k-means算法

ulppknot

" ~6 U( K/ y4 b. d3 FMATLAB包含kmeans算法聚类工具

9 d2 l" j. j- Q5 s. |返回值
$ k9 y7 M/ e2 J
Idx N*1的向量,存储的是每个点的聚类标号
  d( C- c/ H3 y! O  F; r; yCtrs 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
" F- L+ i" G6 R) D; f( E6 N6 p' y3 ND N*K的矩阵，存储的是每个点与所有质心的距离;

0 b4 R  r6 l/ j# J参数
& u3 R- ^7 N0 c  n5 I" W
; [0 `% f4 _8 ?2 \$ w8 _! f1. ‘Distance’(距离测度)
" e, d3 r' W! Q/ d) n‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
9 E( |! y- y  E5 f' _‘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
( x0 \  G/ V" Y0 |6 i$ H4 o
8 M, a/ ?7 I6 g0 p* R- F2. ‘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）
1 K' e' r7 _0 V' a/ t7 Zmatrix 提供一K*P的矩阵，作为初始质心位置集合
* }4 |7 z5 O! W8 W( a
3. ‘Replicates’（聚类重复次数） 整数

• %随机获取150个点
• X = [randn(50,2)+ones(50,2);randn(50,2)-ones(50,2);randn(50,2)+[ones(50,1),-ones(50,1)]];
• %X为二维下50个点的坐标
• opts = statset('Display','final');
• %调用Kmeans函数
• %X N*P的数据矩阵
• %Idx N*1的向量,存储的是每个点的聚类标号
• %Ctrs 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;
• [Idx,Ctrs,SumD,D] = kmeans(X,3,'Replicates',3,'Options',opts);
• %画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标；X(Idx==1,2)为第二类的样本的第二个坐标
• plot(X(Idx==1,1),X(Idx==1,2),'r.','MarkerSize',14)
• hold on
• plot(X(Idx==2,1),X(Idx==2,2),'b.','MarkerSize',14)
• hold on
• plot(X(Idx==3,1),X(Idx==3,2),'g.','MarkerSize',14)
• %绘出聚类中心点,kx表示是圆形
• plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
• plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
• plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
• legend('Cluster 1','Cluster 2','Cluster 3','Centroids','Location','NW')
• Ctrs
• SumD
  . Y6 v$ Z) Z4 \, N

效果

regngfpcb

MATLAB工具箱k-means算法