MATLAB工具箱k-means算法

ulppknot

MATLAB包含kmeans算法聚类工具

返回值

) B3 N7 ?* l8 r( gIdx 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
1 {5 [3 Y, j0 R! ^D N*K的矩阵，存储的是每个点与所有质心的距离;
  K: M. d  |3 j8 T
参数
1 j& J6 W3 O; h( V! ?9 b
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
3 q0 V  n4 o& S1 X. N8 x4 v( b‘cosine’ 针对向量
2 b6 P2 u2 B# D9 V5 J' D- q. V‘correlation’ 针对有时序关系的值
3 Y" Q/ G6 T+ n0 U‘Hamming’ 只针对二进制数据

" c0 u8 R6 E- ~! s! h2. ‘Start’（初始质心位置选择方法）
. L( ~+ A, J5 D/ A6 P; ]. f9 L‘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
) J3 B& o. r8 L: c‘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）
% F' Q8 l! r6 k" Tmatrix 提供一K*P的矩阵，作为初始质心位置集合

$ W! D5 G) t% Q9 B3. ‘Replicates’（聚类重复次数） 整数
$ I& W! P. M9 q! r4 W
% Q# Z5 d' [, T; l# 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
  3 y, [: M) K+ F  S+ V2 P; }

. P8 _4 I& G' s% d# T
效果
4 d6 r/ M2 p; S/ k4 `! x
9 H2 e( R/ i* {+ L+ g

regngfpcb

MATLAB工具箱k-means算法