聚类之K-means均值聚类

K-means均值聚类是先行选择若干个样本点作为聚类中心，再按某种聚类准则（通常采用最小距离原则）使各样本点向各个中心聚集，从而得到初始分类，然后，判断初始分类是否合理，如果不合理，就修改分类，......，以此反复进行修改聚类的迭代运算，直到合理为止。算法主要参照了蔡元龙老师的《模式识别》一书，matlab程序编写：

%Programed by Lu Qi,University of Chinese Academy of Sciences
%my email:qqlu1992@gmail.com
clear all
clc
train_x=[0  3  1  2  0;
         1  3  0  1  0;
         3  3  0  0  1;
         1  1  0  2  0;
         3  2  1  2  1;
         4  1  1  1  0];
[pars.num_train,pars.length]=size(train_x);%num_train代表样本的数量,length代表样本的维数
pars.num_cluster=2;
initial=randperm(6);
pars.iter=1;
initial_point=initial(1:pars.num_cluster);
pars.z{pars.iter}=train_x(initial_point,:);
while 1
    for i=1:pars.num_train
        for j=1:pars.num_cluster
            d(i,j)=norm(train_x(i,:)-pars.z{pars.iter}(j,:));
        end
    end
    [min_d,index]=min(d,[],2);
    %求相同聚类样本的标号
    for i=1:pars.num_train
        for j=1:pars.num_cluster
            if (index(i))==j
                g(j,i)=[;i];
            end
         end
    end
    pars.iter=pars.iter+1;
    %找每一类中不等于0的数
    for j=1:pars.num_cluster
        temp=find(g(j,:));
        pars.z{pars.iter}(j,:)=sum(train_x(temp,:))/(length(temp));
    end
    
    if pars.z{pars.iter}==pars.z{pars.iter-1}
        break;
    end
end
for j=1:pars.num_cluster
    fprintf('the %d th cluster centre is\n',j);
    fprintf('%7.4f',pars.z{end}(j,:))
    fprintf('\n');
end