MATLAB工具箱k-means算法

ulppknot

MATLAB包含kmeans算法聚类工具
6 O* b* w, @; P1 e' O: f
8 l3 s0 ]9 l, r9 u& \返回值
7 a7 N, o7 e4 r$ p6 M/ @
Idx N*1的向量,存储的是每个点的聚类标号
' r% g1 s+ b1 e- O% [  kCtrs K*P的矩阵,存储的是K个聚类质心位置
9 s" v, k; A1 j8 nSumD 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
! g1 O' e5 D# lD N*K的矩阵，存储的是每个点与所有质心的距离;
, X% E0 M4 W0 ?; `& k. d0 k
1 ^0 Z8 p& f" b* q% P2 N: }参数

7 O* g$ a/ x' E: E# A! q1. ‘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
: r! B5 r4 ]* F‘cosine’ 针对向量
1 L- i9 l& }7 M‘correlation’ 针对有时序关系的值
‘Hamming’ 只针对二进制数据

2. ‘Start’（初始质心位置选择方法）
  K6 E2 T+ q# S# D1 S5 M" r1 S‘sample’ 从X中随机选取K个质心点
) ^4 |6 V3 x! S3 \' S& L. m‘uniform’ 根据X的分布范围均匀的随机生成K个质心
. }- A. b- J3 ]3 o& k‘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）
, w9 O: E6 ]  ]( ?. z) |/ |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
9 p- M0 ^1 g* e9 p
6 i( ]% w) ?7 |. f

• %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
  

效果

% U2 {& n9 U8 o: y# C/ M: r
" X3 i8 Y: [) e" C" n

regngfpcb

MATLAB工具箱k-means算法