K均值算法K-means clustering（Matlab代码实现）

  💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

这是一个用于对数据进行K均值聚类的测试程序。K均值算法使用期望最大化步骤收敛到解决方案。在开始时，我们从三个正态分布中生成三组点，并将它们标记为集群1、2和3。这将作为我们真值数据集。然后我们重新洗牌标签，使数据集准备好用于算法。给定聚类数，算法将查看数据并估计数据来自的三个正态分布的参数。这些参数包括这些正态分布的均值。在下一步中，我们做一些初始猜测，有意使用糟糕的参数猜测。该算法运行一个更简单的EM算法版本，仅估计均值而不是协方差。K均值聚类，用于教育目的的K均值算法的简单实现，这是用于教育目的的K均值算法的简单实现。K均值聚类是一种矢量量化方法，最初来自信号处理，在数据挖掘中用于集群分析。K均值聚类旨在将n个观察结果分成k个集群，其中每个观察结果属于最近均值的集群，充当集群的原型。这导致数据空间被分割成Voronoi单元。

📚2 运行结果

部分代码：

clc, clear, close all

% number of points in each cluster
numPoints = 50;
numClusters = 3;

% generate random data with 3 clusters
[Data_o, Mu_o] = generateRandomData(numPoints);

% reshuffle data lables 
Data_r = [Data_o(:,1:2) randi(numClusters, numClusters*numPoints, 1)];

% initial guess for the means
Mu = [1,4;
    4,1;
    -2,-3];

% run the k-means algorithm
[Data_f, Mu_f] = k_means(Data_r, Mu);

% to compare the results with the Matlan version of k-means
[idx,Mu_m] = kmeans(Data_r(:,1:2),numClusters);

%% plot the results
figure; subplot(1,4,1);
scatter(Data_o(:,1), Data_o(:,2), 10, 'MarkerEdgeColor', [0 0.5 0.5], 'MarkerFaceColor',[0 0.7 0.7], 'LineWidth',1.5);
grid on; box on;
xlabel('x'); ylabel('y');title('raw data');

Data1 = Data_o(Data_o(:,3)==1, :);
Data2 = Data_o(Data_o(:,3)==2, :);
Data3 = Data_o(Data_o(:,3)==3, :);
subplot(1,4,2);hold on
scatter(Data1(:,1), Data1(:,2), 10, 'MarkerEdgeColor', [0.5 0 0], 'MarkerFaceColor',[0.7 0 0], 'LineWidth',1.5);
scatter(Data2(:,1), Data2(:,2), 10, 'MarkerEdgeColor', [0 0.5 0], 'MarkerFaceColor',[0 0.7 0], 'LineWidth',1.5);
scatter(Data3(:,1), Data3(:,2), 10, 'MarkerEdgeColor', [0 0 0.5], 'MarkerFaceColor',[0 0 0.7], 'LineWidth',1.5);
for ii=1:numClusters
    plot(Mu_o(ii,1), Mu_o(ii,2),'k+','Markersize',15, 'linewidth',2);
end
grid on; box on;
xlabel('x'); ylabel('y');title('true value');

Data_f1 = Data_f(Data_f(:,3)==1, :);
Data_f2 = Data_f(Data_f(:,3)==2, :);
Data_f3 = Data_f(Data_f(:,3)==3, :);
subplot(1,4,3); hold on
scatter(Data_f1(:,1), Data_f1(:,2), 10, 'MarkerEdgeColor', [0.5 0 0], 'MarkerFaceColor',[0.7 0 0], 'LineWidth',1.5);
scatter(Data_f2(:,1), Data_f2(:,2), 10, 'MarkerEdgeColor', [0 0.5 0], 'MarkerFaceColor',[0 0.7 0], 'LineWidth',1.5);
scatter(Data_f3(:,1), Data_f3(:,2), 10, 'MarkerEdgeColor', [0 0 0.5], 'MarkerFaceColor',[0 0 0.7], 'LineWidth',1.5);
for ii=1:numClusters
    plot(Mu_f(ii,1), Mu_f(ii,2),'k+','Markersize',15, 'linewidth',2);
end
grid on; box on;
xlabel('x'); ylabel('y');title('data clustered by k-means');

Data_m1 = Data_r(idx==1, :);
Data_m2 = Data_r(idx==2, :);
Data_m3 = Data_r(idx==3, :);
subplot(1,4,4); hold on
scatter(Data_m1(:,1), Data_m1(:,2), 10, 'MarkerEdgeColor', [0.5 0 0], 'MarkerFaceColor',[0.7 0 0], 'LineWidth',1.5);
scatter(Data_m2(:,1), Data_m2(:,2), 10, 'MarkerEdgeColor', [0 0.5 0], 'MarkerFaceColor',[0 0.7 0], 'LineWidth',1.5);
scatter(Data_m3(:,1), Data_m3(:,2), 10, 'MarkerEdgeColor', [0 0 0.5], 'MarkerFaceColor',[0 0 0.7], 'LineWidth',1.5);
for ii=1:numClusters
    plot(Mu_m(ii,1), Mu_m(ii,2),'k+','Markersize',15, 'linewidth',2);
end
grid on; box on;
xlabel('x'); ylabel('y');title('matlab k-means');

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]ZHANG Wenjun,GU Xingf,CHEN Liangfu,等.An Algorithm for Initilizing of K-Means Clustering Based on Mean-standard Deviation基于均值-标准差的K均值初始聚类中心选取算法[J].遥感学报, 2006, 10(5):715-721.DOI:10.3321/j.issn:1007-4619.2006.05.017.

[2]王守志,何东健,李文,等.基于核K-均值聚类算法的植物叶部病害识别[J].农业机械学报, 2009(3):4.DOI:CNKI:SUN:NYJX.0.2009-03-033.

🌈4 Matlab代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取