K-means聚类分析探究

K-means聚类分析探究

1、K-means聚类分析原理
对于聚类分析，是在数据中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。
K-means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。K-means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。

2、MATLAB中提供了对于K-means聚类分析的函数
（1）语法
idx = kmeans(X,k)
idx = kmeans(X,k,Name,Value)
[idx,C] = kmeans( )
[idx,C,sumd] = kmeans( )
[idx,C,sumd,D] = kmeans( )

（2）说明
idx = kmeans(X,k)执行k-means聚类，将n-by-p数据矩阵X的观测数据划分为k个簇，并返回一个包含每个观测数据的簇索引的n-by-1向量(idx)。X的行对应点，列对应变量。默认情况下，kmeans使用平方欧氏距离度量和k-mean++算法初始化集群中心。
idx = kmeans(X,k,Name,Value)返回带有由一个或多个Name，Value对参数指定的附加选项的集群索引。例如，指定余弦距离、使用新初始值重复聚类的次数或使用并行计算的次数。
[idx,C] = kmeans( )返回k-by-p矩阵C中的k个质心位置。
[idx,C,sumd] = kmeans( )返回k-by-1向量sumd中点到质心距离的簇内和。
[idx,C,sumd,D] = kmeans( )返回n × k矩阵D中每个点到每个质心的距离。

（3）例子
例子在matlab帮助菜单中可以很方便地找到，便于学习，在此不再举例。

3、K-means代码共同学习

function [Idx, Center] = K_means(X, xstart)
len = length(X);        
Idx = zeros(len, 1);    

C1 = xstart(1,:);       
C2 = xstart(2,:);      
C3 = xstart(3,:);       

for i_for = 1:100
    for i = 1:len
        x_temp = X(i,:);    
        d1 = norm(x_temp - C1);    
        d2 = norm(x_temp - C2);    
        d3 = norm(x_temp - C3);    
        d = [d1;d2;d3];
        [~, id] = min(d);   
        Idx(i) = id;
    end
    
 
    L1 = X(Idx == 1,:);    
    L2 = X(Idx == 2,:);     
    L3 = X(Idx == 3,:);    
    C1 = mean(L1);     
    C2 = mean(L2);      
    C3 = mean(L3);     
end
Center = [C1; C2; C3]; 

K-means数据

手机扫一扫，获取更多MATLAB实用技能~