K-means均值聚类 MATLAB

已于 2023-09-11 13:45:48 修改
阅读量438 收藏 1
点赞数 3
文章标签： kmeans 均值算法 聚类
于 2023-08-15 15:18:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_64589302/article/details/132287302
版权
文章详细介绍了K-means聚类算法的工作原理，包括步骤、计算流程以及使用Matlab代码进行实例演示。通过不断迭代更新聚类中心直到收敛，算法将数据分为不同的簇。同时，展示了如何通过可视化展示聚类结果和数据点间的相关性。
摘要由CSDN通过智能技术生成

原理：

K-means算法的工作原理:首先随机从数据集中选取K个点，每个点初始地代表每个族的聚类中心，然后计算剩余各个样本到聚类中心的距离，将它赋给最近的簇，接着重新计算每一簇的平均值， 整个过程不断重复，如果相邻两次调整没有明显变化，说明数据聚类形成的簇已经收敛。

计算流程

X1=(0,1)

X2=(1,0)

X3=(3,2)

X4=(7,7)

X5=(8,7)

X6=(9,7)

 

步骤一：随机选取N个点作为初始聚类中心，本文以x1(0,1),x2(1,0)为初始聚类中心

步骤二：计算各点到聚类中心的距离

52de75dbf9d64a4d9136b37358438360.png

 

步骤三：根据各点到聚类中心的距离将x分为2簇

类别

集合

（0，1）

X1

（1，0）

X2,x3,x4,x5,x6

步骤四：计算每簇x的平均坐标值，生成新的聚类中心

9db4dcd7d29c4720bb1132c841168ed1.png

 

将新生成的聚类中心（0，1），（28/5，23/5）重复步骤一，知道新生成的聚类中心与上一步生成的聚类中心相同，则结束循环。

代码展示

%% K-means 均值聚类
x = [0 1;1 0;3 2;7 7;8 7;9 7]
z = zeros(2,2)
z1 = zeros(2,2)%设置两个聚类中心
z = x(1:2,1:2)
while 1%1是判断表达式，1显示永远为真，即永远循环，所以循环体中必须存在break
    count = zeros(2,1);
    allsum = zeros(2,2);
    for i = 1:6
        temp1 = sqrt((z(1,1)-x(i,1)).^2+(z(1,2)-x(i,2)).^2);%sqrt返还数组每一个元素的平方根，这里是计算x每一个坐标点与第一个坐标点的距离
        temp2 = sqrt((z(2,1)-x(i,1)).^2+(z(2,2)-x(i,2)).^2);%计算x每一个坐标点与第二个坐标点的距离
        if(temp1<temp2)%x中与第一个接近的坐标点计数、求和
            count(1) = count(1)+1;
            allsum(1,1) = allsum(1,1)+x(i,1);
            allsum(1,2) = allsum(1,2)+x(i,2);
            t(i,1) = x(i,1)
            t(i,2) = x(i,2)
        %x中与第一个接近的坐标点计数、求和
        else
            (temp2<temp1)
              count(2) = count(2)+1;
              allsum(2,1) = allsum(2,1)+x(i,1);
              allsum(2,2) = allsum(2,2)+x(i,2);
        end 
    end
        
    z1(1,1) = allsum(1,1)/count(1);%与第一个接近的坐标点的横坐标求平均数
    z1(1,2) = allsum(1,2)/count(1);%与第一个接近的坐标点的纵坐标求平均数
    z1(2,1) = allsum(2,1)/count(2);%与第二个接近的坐标点的横坐标求平均数
    z1(2,2) = allsum(2,2)/count(2);%与第二个接近的坐标点的横坐标求平均数
    if(z == z1)
      break
    else
        z = z1
    end
end

如何改变聚类中心数（以3为例）

%改变聚类中心数为3
x = [0 1;1 0;3 2;7 7;8 7;9 7]
z = zeros(3,2)
z1 = zeros(3,2)%设置两个聚类中心
z = x(1:3,1:2)
while 1%1是判断表达式，1显示永远为真，即永远循环，所以循环体中必须存在break
    count = zeros(3,1);
    allsum = zeros(3,2);
    for i = 1:6
        temp1 = sqrt((z(1,1)-x(i,1)).^2+(z(1,2)-x(i,2)).^2);%sqrt返还数组每一个元素的平方根，这里是计算x每一个坐标点与第一个坐标点的距离
        temp2 = sqrt((z(2,1)-x(i,1)).^2+(z(2,2)-x(i,2)).^2);%计算x每一个坐标点与第二个坐标点的距离
        temp3 = sqrt((z(3,1)-x(i,1)).^2+(z(3,2)-x(i,2)).^2);
        if(temp1<temp2)&&(temp1<temp3)%x中与第一个接近的坐标点计数、求和
            count(1) = count(1)+1;
            allsum(1,1) = allsum(1,1)+x(i,1);
            allsum(1,2) = allsum(1,2)+x(i,2);
        %x中与第一个接近的坐标点计数、求和
        elseif(temp2<temp1)&&(temp2<temp3)
              count(2) = count(2)+1;
              allsum(2,1) = allsum(2,1)+x(i,1);
              allsum(2,2) = allsum(2,2)+x(i,2);
        else
           count(3) = count(3)+1;
           allsum(3,1) = allsum(3,1)+x(i,1);
           allsum(3,2) = allsum(3,2)+x(i,2); 
        end
    end
    z1(1,1) = allsum(1,1)/count(1);%与第一个接近的坐标点的横坐标求平均数
    z1(1,2) = allsum(1,2)/count(1);%与第一个接近的坐标点的纵坐标求平均数
    z1(2,1) = allsum(2,1)/count(2);%与第二个接近的坐标点的横坐标求平均数
    z1(2,2) = allsum(2,2)/count(2);%与第二个接近的坐标点的横坐标求平均数
    z1(3,1) = allsum(3,1)/count(3);
    z1(3,2) = allsum(3,2)/count(3);
    if(z == z1)
        break
    else
        z = z1
    end
end

对聚类中心的原始数据可视化

x = [0 1;1 0;3 2;7 7;8 7;9 7]
z = zeros(2,2)
z1 = zeros(2,2)%设置两个聚类中心
z = x(1:2,1:2)
while 1%1是判断表达式，1显示永远为真，即永远循环，所以循环体中必须存在break
    count = zeros(2,1);
    allsum = zeros(2,2);
    for i = 1:6
        temp1 = sqrt((z(1,1)-x(i,1)).^2+(z(1,2)-x(i,2)).^2);%sqrt返还数组每一个元素的平方根，这里是计算x每一个坐标点与第一个坐标点的距离
        temp2 = sqrt((z(2,1)-x(i,1)).^2+(z(2,2)-x(i,2)).^2);%计算x每一个坐标点与第二个坐标点的距离
        if(temp1<temp2)%x中与第一个接近的坐标点计数、求和
            count(1) = count(1)+1;
            allsum(1,1) = allsum(1,1)+x(i,1);
            allsum(1,2) = allsum(1,2)+x(i,2);
            t(i,1) = x(i,1)
            t(i,2) = x(i,2)
        %x中与第一个接近的坐标点计数、求和
        else
            (temp2<temp1)
              count(2) = count(2)+1;
              allsum(2,1) = allsum(2,1)+x(i,1);
              allsum(2,2) = allsum(2,2)+x(i,2);
        end 
    end
        
    z1(1,1) = allsum(1,1)/count(1);%与第一个接近的坐标点的横坐标求平均数
    z1(1,2) = allsum(1,2)/count(1);%与第一个接近的坐标点的纵坐标求平均数
    z1(2,1) = allsum(2,1)/count(2);%与第二个接近的坐标点的横坐标求平均数
    z1(2,2) = allsum(2,2)/count(2);%与第二个接近的坐标点的横坐标求平均数
    if(z == z1)
      break
    else
        z = z1
    end
end

plot(x(:,1),x(:,2),'k*',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.5,0.5,0.5])
hold on
plot(z1(:,1),z1(:,2),'ko',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.5,0.5,0.5])
set(gca,'LineWidth',2);
xlabel('特征1','fontsize',12)
ylabel('特征2','fontsize',12)
title('k-means分类图','fontsize',12)

cca88510ddfe47309fab99b536dd6324.png

 

对不同分类的簇可视化区分

x = [0 1;1 0;3 2;7 7;8 7;9 7]
z = zeros(2,2)
z1 = zeros(2,2)%设置两个聚类中心
z = x(1:2,1:2)
while 1%1是判断表达式，1显示永远为真，即永远循环，所以循环体中必须存在break
    count = zeros(2,1);
    allsum = zeros(2,2);
    for i = 1:6
        temp1 = sqrt((z(1,1)-x(i,1)).^2+(z(1,2)-x(i,2)).^2);%sqrt返还数组每一个元素的平方根，这里是计算x每一个坐标点与第一个坐标点的距离
        temp2 = sqrt((z(2,1)-x(i,1)).^2+(z(2,2)-x(i,2)).^2);%计算x每一个坐标点与第二个坐标点的距离
        if(temp1<temp2)%x中与第一个接近的坐标点计数、求和
            count(1) = count(1)+1;
            allsum(1,1) = allsum(1,1)+x(i,1);
            allsum(1,2) = allsum(1,2)+x(i,2);
            t(i,1) = x(i,1)
            t(i,2) = x(i,2)
        %x中与第一个接近的坐标点计数、求和
        else
            (temp2<temp1)
              count(2) = count(2)+1;
              allsum(2,1) = allsum(2,1)+x(i,1);
              allsum(2,2) = allsum(2,2)+x(i,2);
              t(i,3) = x(i,1)
              t(i,4) = x(i,2)
        end 
    end
        
    z1(1,1) = allsum(1,1)/count(1);%与第一个接近的坐标点的横坐标求平均数
    z1(1,2) = allsum(1,2)/count(1);%与第一个接近的坐标点的纵坐标求平均数
    z1(2,1) = allsum(2,1)/count(2);%与第二个接近的坐标点的横坐标求平均数
    z1(2,2) = allsum(2,2)/count(2);%与第二个接近的坐标点的横坐标求平均数
    if(z == z1)
      break
    else
        z = z1
    end
end
%% 用颜色分类可视化
t1 = t(1:count(1),1:2)
t2 = t(count(1)+1:6,3:4)%6为聚类元素的总数
plot(t1(:,1),t1(:,2),'k*',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.5,0.5,0.5])
hold on
plot(t2(:,1),t2(:,2),'k*',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','g',...
    'MarkerFaceColor',[0.5,0.5,0.5])
set(gca,'LineWidth',2);
xlabel('特征1','fontsize',12)
ylabel('特征2','fontsize',12)
title('k-means分类图','fontsize',12)

090014a7b3dc4c6abdbe06331006daa8.png

一维数组聚类

x = [0 ;1 ;3 ;7 ;8 ;9]
z = zeros(2,1)
z1 = zeros(2,1)%设置两个聚类中心
z = x(1:2,1)
while 1%1是判断表达式，1显示永远为真，即永远循环，所以循环体中必须存在break
    count = zeros(2,1);
    allsum = zeros(2,1);
    for i = 1:6
        temp1 = sqrt(z(1,1)-x(i,1).^2);%sqrt返还数组每一个元素的平方根，这里是计算x每一个坐标点与第一个坐标点的距离
        temp2 = sqrt(z(2,1)-x(i,1).^2);%计算x每一个坐标点与第二个坐标点的距离
        if(temp1<temp2)%x中与第一个接近的坐标点计数、求和
            count(1) = count(1)+1;
            allsum(1,1) = allsum(1,1)+x(i,1);
            t(i,1) = x(i,1)
        %x中与第一个接近的坐标点计数、求和
        else
            (temp2<temp1)
              count(2) = count(2)+1;
              allsum(2,1) = allsum(2,1)+x(i,1);
              t(i,2) = x(i,1)
        end 
    end
        
    z1(1,1) = allsum(1,1)/count(1);%与第一个接近的坐标点的横坐标求平均数
    z1(2,1) = allsum(2,1)/count(2);%与第二个接近的坐标点的横坐标求平均数
    if(z == z1)
      break
    else
        z = z1
    end
end
t1 = t(1:count(1),1)%储存类别1的分类结果
t2 = t(count(1)+1:6,2)%储存类别2的分类结果

调用函数kmeans(),及可视化

x = [0 1;1 0;3 2;7 7;8 7;9 7]
k = kmeans(x,3)%x为待聚类数组，3为自定义聚类中心数
%可视化
num1 = length(find(k==1))
num2 = length(find(k==2))
num3 = length(find(k==3))

t1 = x(1:3,:)
t2 = x(4:5,:)
t3 = x(6,:)

plot(t1(:,1),t1(:,2),'k*',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.5,0.5,0.5])
hold on
plot(t2(:,1),t2(:,2),'k*',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','g',...
    'MarkerFaceColor',[0.5,0.5,0.5])
hold on
plot(t3(:,1),t3(:,2),'k*',...
    'LineWidth',2,...
    'MarkerSize',10,...
    'MarkerEdgeColor','y',...
    'MarkerFaceColor',[0.5,0.5,0.5])

set(gca,'LineWidth',2);
xlabel('特征1','fontsize',12)
ylabel('特征2','fontsize',12)
title('k-means分类图','fontsize',12)

df96bcaf33de4adaab341c1a75f0e4c9.png

 绘制kmeans聚类结果相关程度图

x = [0 1;1 0;3 2;7 7;8 7;9 7]
d = pdist(x)%计算任意两行数据之间的距离
dd = squareform(d)%返还距离矩阵
figure
imagesc(dd)%将矩阵中元素按照大小值转成不同颜色
set(gca,'LineWidth',2);
xlabel('数据点','fontsize',12)
ylabel('数据点','fontsize',12)
title('k-means聚类结果相关程度图','fontsize',12)
ylabel(colorbar,['距离矩阵'])
axis square

c86b898030e64b36b9a0f71f6c03c1bb.png

 

 

江希垣
关注
Kmeans方法做点的聚类分析，并且画图表示
07-11
Kmeans解决聚类方法，点聚类方法，大家可以适当修改进行应用
Matlab k-means
Marvek的博客
04-01 5714
K-means 聚类算法SyntaxDescriptionExamplesTrain a k-Means Clustering AlgorithmPartition Data into Two ClustersCluster Data Using Parallel Computing 全文翻译自Matlab官方文档kmeans Syntax idx = kmeans(X,k) idx = kmea...
（Matlab实现）K-means算法及最佳聚类数目的确定
2301_79155639的博客
09-10 838
Kmeans算法中，K值所决定的是在该聚类算法中，所要分配聚类的簇的多少。Kmeans算法对初始值是⽐较敏感的，对于同样的k值，选取的点不同，会影响算法的聚类效果和迭代的次数。本文通过计算原始数据中的：CH值、DB值、Gap值、轮廓系数，四种指标来衡量K-means的最佳聚类数目，并使用K-means进行聚类，最后可视化聚类的结果。
matlab kmeans 函数的用法,Matlab中Kmeans函数的使用
weixin_42508215的博客
03-16 6763
Matlab的K-均值聚类Kmeans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)[Idc,C,sumD]=Kmeans(X,K)[Idx,C,sumD,D]=Kmeans(X,K)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，...
【入门向】k-means聚类函数详解（基于鸢尾花数据集）【MATLAB】
一只菟葵的博客
03-11 1万+
这里写自定义目录标题k-means聚类函数新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片先放例程分段解析PART1PART2PART3PART4PART5PART6鸢尾花数据集生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 k-means聚类函数 你好！ 这是你第一次使用 Markdown编
K-means聚类 —— matlab
热门推荐
PY洋洋
02-16 4万+
1.简介 2.算法原理 3.实例分析 3.1 读取数据 3.2原理推导K均值过程 3.3 自带kmeans函数求解过程 完整代码
K均值聚类(K-Means聚类)-聚类算法-聚类可视化-MATLAB代码
最新发布
10-03
K均值聚类(K-Means聚类)-聚类算法-聚类可视化-MATLAB代码 本代码详细图文介绍，请点击博客主页查找对应文章查看。可保证运行，运行失败或报错免费解决。 ‌k均值聚类算法的基本概念和原理‌ ‌k均值聚类算法（k-...
k-means数据聚类实验报告 （MATLAB详细代码）.doc
03-13
《k-means数据聚类实验报告》 k-means聚类是一种广泛应用的无监督学习算法，主要用于将数据集划分为多个互不重叠的类别，每个类别内部数据的相似度较高，类别间差异显著。本实验主要探讨了k-means算法的原理、实现...
matlab中存档算法代码-K-Means-Clustering:k-均值聚类的非常基本的实现
05-23
matlab中存档算法代码K均值聚类 k-均值聚类的非常基本的实现 我在处实现了数据集的k均值聚类。 Matlab版本是手工完成的。 它尚未完全优化，将来的版本将希望优化代码。 python版本是sckit-learn中内置算法的实现。 ...
粒子群_改进K均值聚类算法_matlab_k-means_pso_pso-clustering
03-11
资源名：粒子群_改进K均值聚类算法_matlab_k-means_pso_pso-clustering 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换...
基于K-means聚类算法的图像分割及其MATLAB实现
03-05
基于K-means聚类算法的图像分割 算法的基本原理：  基于K-means聚类算法的图像分割以图像中的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。 算法步骤： ①随机选取...
机器学习：使用matlab实现K均值算法完成聚类与图片压缩
ShadyPi的IT笔记
02-06 2196
使用matlab实现K均值算法完成聚类与图片压缩
Matlab：K-means算法
weixin_73011353的博客
12-30 2488
Matlab：K-means算法K-means算法是一种常见的聚类算法，它将一组数据划分为K个不同的簇，以最小化每个簇内部数据点与簇中心之间的平方距离的总和为目标实现聚类。
如何运用MATLAB实现K-MEANS聚类分析
你若盛开，清风自来。
05-12 3万+
由于自己最近在学习聚类分析，也算是一个入门，相当于将自己这段时间的学习成果进行一个总结，分享给更多打算学习聚类分析或者需要用到聚类分析的同学们~ 在了解K-MEANS聚类分析之前，我们首先明确聚类的含义，聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。 因此聚类分析顾名思义，就是在做一个分类的工作。聚类分析是根据在数据中发现的描述对象及其关系的信息，将数据对象分组。最终实现组内的对象相互之间是存在相关的关系，而不同组中的对象是没有这种相
matlab实现Kmeans聚类
weixin_53284122的博客
06-22 3975
建模前，我们小组通过阅读文献，研究讨论了K-means的实现原理和应用场景，认为K-means算法在求解用户出行分区信息上具有可行性。 通过对问题的分析，我们将k-means聚类模型建立如下： 我们分别通过调用matlab的K-means函数方法以及底层实现K-means方法，实现了k-means算法。 对于借助matlab函数的k-means函数实现的方式，我们最终得到的聚类结果如下： 图4 Kmeans结果图（调用函数） 对于底层实现K-means的方式
matlab kmeans函数
E_vens
08-13 1万+
https://blog.csdn.net/luckxu/article/details/8642277
matlab练习程序（k-means聚类）
nedushy123的专栏
02-18 4168
matlab练习程序（k-means聚类） 聚类算法，不是分类算法。 分类算法是给一个数据，然后判断这个数据属于已分好的类中的具体哪一类。 聚类算法是给一大堆原始数据，然后通过算法将其中具有相似特征的数据聚为一类。 这里的k-means聚类，是事先给出原始数据所含的类数，然后将含有相似特征的数据聚为一个类中。 所有资料中还是Andrew Ng介绍的明白。 首先给出原始数据{x1
Kmeans聚类算法——Matlab
m0_69715013的博客
04-24 2964
matlab实现Kmeans聚类算法+过程、结果可视化
matlab实现K-means聚类的动态过程
m0_63858985的博客
12-22 1407
K-means聚类算法是一种简单实用的聚类算法，本文对K-means聚类算法进行了简单的介绍，并利用动态图的方式展现K-means聚类算法进行每一次迭代时的变化
k-means均值聚类matlab
08-26
在MATLAB中，可以使用自带的kmeans函数来实现k-means均值聚类算法。你可以通过设置分类数量并调用kmeans函数来进行聚类操作。首先，你需要设置要生成的聚类数量，然后调用自己编写的kmeans_func函数，该函数里面实现...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

江希垣

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值