内容:K-均值聚类是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则,最终使得类内对象之间的距离最大,而类之间的距离最小。
K-均值聚类常用函数:
Idx=Kmeans(X,K) %K聚类数,X观测数据矩阵,Idx各点的聚类标号;
[Idx,C]=Kmeans(X,K) % C: K*P的矩阵,存储K个聚类质心位置;
[Idx,C,sumD]=Kmeans(X,K) %sumD: 存储类间所有点与该类质心点距离之和;
[Idx,C,sumD,D]=Kmeans(X,K) %D: 存储每个点与所有质心的距离;
X = [randn(100,2)+ones(100,2);randn(100,2)-ones(100,2);randn(100,2)+[ones(100,1),-ones(100,1)]];%获取随机数据
[Idx,Ctrs,SumD,D] = kmeans(X,3,'Replicates',3,'Options',opts);
%分三类,存储类间所有点与该类质心点距离之和
plot(X(Idx==1,1)