MATLAB工具箱k-means算法

ulppknot

MATLAB包含kmeans算法聚类工具

返回值
) X' S6 I1 g3 i& ?+ V/ v
8 W/ Y% O! E1 t0 w+ M  hIdx 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
  S, }" E5 U" b4 S/ G% QSumD 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
- R( j  ]7 y& H% l9 D: }- _D N*K的矩阵，存储的是每个点与所有质心的距离;
2 C5 b- g3 v9 j; O& [' w2 _
7 D2 ]1 \; F- N5 h6 R! F参数

1. ‘Distance’(距离测度)
  O! v3 B6 q4 R6 q‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
‘cityblock’ 绝度误差和，又称：L1
$ u8 P1 [( E( f$ j1 t) K+ ]4 X‘cosine’ 针对向量
‘correlation’ 针对有时序关系的值
‘Hamming’ 只针对二进制数据
* B2 D2 N$ y2 z- v' |# b
& }* f; z$ e+ h: d2. ‘Start’（初始质心位置选择方法）
# n2 y2 [' E2 w' O' h; _) }‘sample’ 从X中随机选取K个质心点
" n2 O7 d6 |3 S! @7 A& \‘uniform’ 根据X的分布范围均匀的随机生成K个质心
  E8 e, S/ P6 }& b+ T( ]# h4 L$ M‘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
- w, O. ^, V6 e' b! l% @6 s0 G% d

• %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
  ' U5 ^2 \2 X) u. E! T3 R# A* D  K

0 W/ i1 M8 |8 U8 v
9 k% S" [) a- H" W效果

  M. A% R+ h) f# b9 `

regngfpcb

MATLAB工具箱k-means算法