MATLAB工具箱k-means算法

ulppknot

MATLAB包含kmeans算法聚类工具

返回值

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
2 m7 j% _" S7 ~8 TSumD 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;
) ^4 f( _7 I: u) M
参数

4 ^% D! I+ Q5 @+ p' x. q# D1. ‘Distance’(距离测度)
‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
( r- L+ R* M- F; _; \‘cityblock’ 绝度误差和，又称：L1
& ~7 X  Z. \0 O- q" c* Q* `: y‘cosine’ 针对向量
1 x! f. f8 K( f$ g‘correlation’ 针对有时序关系的值
" G0 b/ G2 w8 A, I+ B7 N‘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
! S2 ?% m' A- v5 ~
3. ‘Replicates’（聚类重复次数） 整数
9 v8 n: I: N5 W/ V) l: H. y3 q4 J; N

• %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
  

8 ]5 g& j. ^/ g4 R! a3 l5 ]效果
8 B' ^! a/ V" A9 t! E/ u
" N0 O' B6 w- N

regngfpcb

MATLAB工具箱k-means算法