MATLAB工具箱k-means算法

ulppknot

8 w3 g4 `- _  u, k" ZMATLAB包含kmeans算法聚类工具
* @  t0 r: x2 _2 {8 }0 R# c
返回值
5 G9 M& [5 d, i# V$ i
  y5 P7 j% [% N/ T% _8 CIdx N*1的向量,存储的是每个点的聚类标号
" V6 C; S, O/ g0 tCtrs K*P的矩阵,存储的是K个聚类质心位置
& d# Z1 \% ]0 h0 M1 ^5 A" u3 WSumD 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
3 I- _! x$ z4 P2 @+ lD N*K的矩阵，存储的是每个点与所有质心的距离;
3 e" E8 Q, w7 f7 D
参数
) B$ l6 c9 Y* J
) B1 \$ s7 g' n1 s1 x1. ‘Distance’(距离测度)
3 n! ~- N2 `8 A( O9 m‘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
1 ?6 F& a. m5 P+ k
( P  X5 S2 y0 z& I% H# ?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
# Z/ E) @$ P! V1 `- _‘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）
* H- w6 I6 V) Y6 _# `% B! Vmatrix 提供一K*P的矩阵，作为初始质心位置集合
. z8 E$ o- T6 W8 V% K
3 {) F( P" E  x6 ^5 H* ]1 D3. ‘Replicates’（聚类重复次数） 整数
" o1 R& s6 v7 H, G
, R' l# \9 C; b  y3 B1 q* R* 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
  

- H' i0 h0 l; T+ T9 U' H
效果


0 k: Y( z: u. p! d: z

regngfpcb

MATLAB工具箱k-means算法