MATLAB工具箱k-means算法

ulppknot

5 i4 d  J" N# p8 ?MATLAB包含kmeans算法聚类工具
2 ^6 i8 K' V! E$ ~3 j
返回值

( k; V& V5 W, c( R8 sIdx N*1的向量,存储的是每个点的聚类标号
& i" b9 n% I+ Y" t( |! uCtrs 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
9 U7 W. R% K% D( x- I- {% ?8 kD N*K的矩阵，存储的是每个点与所有质心的距离;
0 d9 q0 G2 \8 D6 I2 C) `, n9 `
参数
( N' o& N- {8 i" E3 k+ C; @( O
1. ‘Distance’(距离测度)
! U' Z) O9 n. C- o5 j% W; `3 c‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
2 {% g( S$ m1 R* ]‘cityblock’ 绝度误差和，又称：L1
7 O, D5 @! }* w1 D- f0 D+ Z‘cosine’ 针对向量
‘correlation’ 针对有时序关系的值
‘Hamming’ 只针对二进制数据

% q1 W3 _: Q' k) c- {, C+ Y2 U2. ‘Start’（初始质心位置选择方法）
1 n2 `( G* U+ g# e4 v, A‘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
6 ?( ?. u+ }; f. S‘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）
3 c  \2 M5 s; ^7 {6 amatrix 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
2 B& Z: l: O4 k' \" S
$ a; I1 Y3 b* u

• %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
  ( k# m0 W/ D0 l& f4 [/ c

效果


* o: W. f" R  {

regngfpcb

MATLAB工具箱k-means算法