K均值聚类算法的MATLAB实现

 1.K-均值聚类法的概述

   之前在参加数学建模的过程中用到过这种聚类方法，但是当时只是简单知道了在matlab中如何调用工具箱进行聚类，并不是特别清楚它的原理。最近因为在学模式识别，又重新接触了这种聚类算法，所以便仔细地研究了一下它的原理。弄懂了之后就自己手工用matlab编程实现了，最后的结果还不错，嘿嘿~~~

  简单来说，K-均值聚类就是在给定了一组样本(x1, x2, ...xn) （xi, i = 1, 2, ... n均是向量) 之后，假设要将其聚为 m(<n) 类，可以按照如下的步骤实现:

  Step 1: 从 (x1, x2, ...xn) 中随机选择 m 个向量(y1,y2,...ym) 作为初始的聚类中心(可以随意指定,不在n个向量中选择也可以);

  Step 2: 计算 (x1, x2, ...xn) 到这 m 个聚类中心的距离(严格来说为 2阶范数);

  Step 3: 对于每一个 xi(i = 1,2,...n)比较其到 (y1,y2,...ym) 距离,找出其中的最小值,若到 yj 的距离最小，则将 xi 归为第j类;

  Step 4: m 类分好之后, 计算每一类的均值向量作为每一类新的聚类中心;

  Step 5: 比较新的聚类中心与老的聚类中心之间的距离,若大于设定的阈值，则跳到 Step2; 否则输出分类结果和聚类中心，算法结束。

  OK，废话不多说，直接上Matlab代码。

% 利用K-均值聚类的原理，实现对一组数据的分类。这里以一组二维的点为例。
N = 40; % 点的个数
X = 10*rand(1,N);
Y = 10*rand(1,N); % 随机生成一组横纵坐标取值均在（0,10）之间的点，X Y 分别代表横纵坐标
plot(X, Y, 'r*'); % 绘出原始的数据点
xlabel('X');
ylabel('Y');
title('聚类之前的数据点');
n = 2; %将所有的数据点分为两类
m = 1; %迭代次数
eps = 1e-7; % 迭代结束的阈值
u1 = [X