首先得说,虽然matlab提供了KMeans函数,但是matlab的KMeans聚类好慢,真的好慢!
K-means算法是硬聚类算法,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。K-means算法以偶是距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数
K-means聚类算法采用的是将N*P的矩阵X划分为K个类,使得类内对象之间的距离最大,而类之间的距离最小。
使用方法:
Idx=Kmeans(X,K)
[Idx,C]=Kmeans(X,K)
[Idx,C,sumD]=Kmeans(X,K)
[Idx,C,sumD,D]=Kmeans(X,K)
[…]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…)
各输入输出参数介绍:
X :N*P的数据矩阵
K: 表示将X划分为几类,为整
matalb k-means函数使用方法(附一个很好的k-means参考博客)
最新推荐文章于 2024-08-28 11:16:39 发布
本文介绍了Matlab中K-means聚类算法的使用方法,强调了其速度较慢的问题。K-means是一种基于原型的目标函数聚类方法,通过寻找使误差平方和准则函数最小的聚类。文章详细解释了K-means的输入输出参数,如数据矩阵X、类别数K、聚类标签Idx和质心位置C,并讨论了可选参数如'Distance'和'Start',并提供了一个深入理解K-means算法的CSDN博客链接。
摘要由CSDN通过智能技术生成