k均值聚类算法考试例题_实验三 K-均值聚类算法实验报告

实验三

K-Means

聚类算法

一、

实验目的

1)

加深对非监督学习的理解和认识

2)

掌握动态聚类方法

K-Means

算法的设计方法

二、

实验环境

1)

具有相关编程软件的

PC

机

三、

实验原理

1)

非监督学习的理论基础

2)

动态聚类分析的思想和理论依据

3)

聚类算法的评价指标

四、算法思想

K-

均值算法的主要思想是先在需要分类的数据中寻找

K

组数据作为初始聚类中

心，

然后计算其他数据距离这三个聚类中心的距离，

将数据归入与其距离最近的

聚类中心，

之后再对这

K

个聚类的数据计算均值，

作为新的聚类中心，

继续以上

步骤，直到新的聚类中心与上一次的聚类中心值相等时结束算法。

实验代码

function km(k,A)%

函数名里不要出现“

-

”

warning off

[n,p]=size(A);%

输入数据有

n

个样本，

p

个属性

cid=ones(k,p+1);%

聚类中心组成

k

行

p

列的矩阵

,k

表示第几类，

p

是属性

%A(:,p+1)=100;

A(:,p+1)=0;

for i=1:k

%cid(i,:)=A(i,:); %

直接取前三个元祖作为聚类中心

m=i*floor(n/k)-floor(rand(1,1)*(n/k))

cid(i,:)=A(m,:);

cid;

end

Asum=0;

Csum2=NaN;

flags=1;

times=1;

while flags

flags=0;

times=times+1;

%

计算每个向量到聚类中心的欧氏距离

for i=1:n