EDA365电子论坛网

标题: MATLAB工具箱k-means算法 [打印本页]

---

作者: ulppknot    时间: 2020-9-29 14:24
标题: MATLAB工具箱k-means算法

MATLAB包含kmeans算法聚类工具

) X& K) m# j8 }5 O1 k( \0 Y返回值
% I8 F- X9 G" y* j
Idx N*1的向量,存储的是每个点的聚类标号
7 O" ~  q/ R: _0 c5 }% L' Q& F' PCtrs K*P的矩阵,存储的是K个聚类质心位置
SumD 1*K的和向量,存储的是类间所有点与该类质心点距离之和
' _) g& q# V' t5 ]7 J/ d% @* CD N*K的矩阵，存储的是每个点与所有质心的距离;
, q5 ^/ c, l) Y# t! c
参数

1. ‘Distance’(距离测度)
‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
‘cityblock’ 绝度误差和，又称：L1
‘cosine’ 针对向量
‘correlation’ 针对有时序关系的值
5 ^# }) G+ t2 U‘Hamming’ 只针对二进制数据

$ @$ i6 @% `9 X2. ‘Start’（初始质心位置选择方法）
2 m4 N0 c1 p8 S7 R/ `- J‘sample’ 从X中随机选取K个质心点
' O, o8 b$ f; J1 V( ]‘uniform’ 根据X的分布范围均匀的随机生成K个质心
‘cluster’ 初始聚类阶段随机选择10%的X的子样本（此方法初始使用’sample’方法）
7 D/ W( b8 {! y" h8 k- d  i9 Cmatrix 提供一K*P的矩阵，作为初始质心位置集合

( U0 R- r  Y: X1 O' A3. ‘Replicates’（聚类重复次数） 整数
+ a6 B, |- k3 k0 g7 `: }
7 h' g. r5 Q! t$ K

• %随机获取150个点
• X = [randn(50,2)+ones(50,2);randn(50,2)-ones(50,2);randn(50,2)+[ones(50,1),-ones(50,1)]];
• %X为二维下50个点的坐标
• opts = statset('Display','final');
• %调用Kmeans函数
• %X N*P的数据矩阵
• %Idx N*1的向量,存储的是每个点的聚类标号
• %Ctrs K*P的矩阵,存储的是K个聚类质心位置
• %SumD 1*K的和向量,存储的是类间所有点与该类质心点距离之和
• %D N*K的矩阵，存储的是每个点与所有质心的距离;
• [Idx,Ctrs,SumD,D] = kmeans(X,3,'Replicates',3,'Options',opts);
• %画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标；X(Idx==1,2)为第二类的样本的第二个坐标
• plot(X(Idx==1,1),X(Idx==1,2),'r.','MarkerSize',14)
• hold on
• plot(X(Idx==2,1),X(Idx==2,2),'b.','MarkerSize',14)
• hold on
• plot(X(Idx==3,1),X(Idx==3,2),'g.','MarkerSize',14)
• %绘出聚类中心点,kx表示是圆形
• plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
• plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
• plot(Ctrs(:,1),Ctrs(:,2),'kx','MarkerSize',14,'LineWidth',4)
• legend('Cluster 1','Cluster 2','Cluster 3','Centroids','Location','NW')
• Ctrs
• SumD
  

1 _( w3 I5 F  r效果
% {4 U  J- D6 g2 x  F$ q8 W

---

作者: regngfpcb    时间: 2020-9-29 15:14
MATLAB工具箱k-means算法

---

欢迎光临 EDA365电子论坛网 (https://bbs.eda365.com/)

Powered by Discuz! X3.2