MATLAB工具箱k-means算法

ulppknot

) y# ]- t  `8 K& G) Y9 r5 vMATLAB包含kmeans算法聚类工具

: g  E2 f* D2 b返回值
, t' i+ K% L( i6 n) g% r
Idx N*1的向量,存储的是每个点的聚类标号
2 o% M: P7 d, A( FCtrs K*P的矩阵,存储的是K个聚类质心位置
& A4 Z6 N" M# W6 C  Y' PSumD 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
2 o- W8 o' _2 e. y" Q5 R8 x! a* ?D N*K的矩阵，存储的是每个点与所有质心的距离;

! d' V& t) V$ k' Z参数
3 m9 J+ \; `* {9 c, _5 B" i
1. ‘Distance’(距离测度)
‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
5 [$ E, d) e" M5 m1 w6 Q  I‘cityblock’ 绝度误差和，又称：L1
0 U: g# F& k* t7 [4 y7 v‘cosine’ 针对向量
7 q, C/ o. ?- u/ d0 C8 j; G: M5 G‘correlation’ 针对有时序关系的值
‘Hamming’ 只针对二进制数据

; x0 Q! a; W4 k7 m9 c2. ‘Start’（初始质心位置选择方法）
‘sample’ 从X中随机选取K个质心点
‘uniform’ 根据X的分布范围均匀的随机生成K个质心
3 v# c9 P2 q# R, s‘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）
matrix 提供一K*P的矩阵，作为初始质心位置集合

3. ‘Replicates’（聚类重复次数） 整数

• %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 J% X9 u6 h& Y) G: K

$ ?1 {+ O) k1 Y效果
+ Z3 j; k: @& U* w
% n/ `6 ?+ r5 Z! `; M' a" F+ F: I
( r& u+ L* n7 d: x  t

regngfpcb

MATLAB工具箱k-means算法