K-Means算法實驗報告

裝訂線裝訂線題目：K-Means聚類算法分析與實現(xiàn)學院xxxxxxxxxxxxxxxxxxxx專業(yè)xxxxxxxxxxxxxxxx學號xxxxxxxxxxx姓名xxxx指導教師xxxx20xx年x月xx日K-Means聚類算法KMeans算法的基本思想是初始隨機給定K個簇中心，按照最鄰近原則把待分類樣本點分到各個簇。然后按平均法重新計算各個簇的質(zhì)心，從而確定新的簇心。一直迭代，直到簇心的移動距離小于某個給定的值。K-Means聚類算法主要分為三個步驟：(1)第一步是為待聚類的點尋找聚類中心(2)第二步是計算每個點到聚類中心的距離，將每個點聚類到離該點最近的聚類中去(3)第三步是計算每個聚類中所有點的坐標平均值，并將這個平均值作為新的聚類中心反復執(zhí)行(2)、(3)，直到聚類中心不再進行大范圍移動或者聚類次數(shù)達到要求為止下圖展示了對n個樣本點進行K-means聚類的效果，這里k取2：(a)未聚類的初始點集(b)隨機選取兩個點作為聚類中心(c)計算每個點到聚類中心的距離，并聚類到離該點最近的聚類中去(d)計算每個聚類中所有點的坐標平均值，并將這個平均值作為新的聚類中心(e)重復(c),計算每個點到聚類中心的距離，并聚類到離該點最近的聚類中去(f)重復(d),計算每個聚類中所有點的坐標平均值，并將這個平均值作為新的聚類中心Matlab實現(xiàn)：%隨機獲取150個點X=[randn(50,2)+ones(50,2);randn(50,2)-ones(50,2);randn(50,2)+[ones(50,1),-ones(50,1)]];

opts=statset('Display','final');

%調(diào)用Kmeans函數(shù)%XN*P的數(shù)據(jù)矩陣%IdxN*1的向量,存儲的是每個點的聚類標號%CtrsK*P的矩陣,存儲的是K個聚類質(zhì)心位置%SumD1*K的和向量,存儲的是類間所有點與該類質(zhì)心點距離之和%DN*K的矩陣，存儲的是每個點與所有質(zhì)心的距離;

[Idx,Ctrs,SumD,D]=kmeans(X,3,'Replicates',3,'Options',opts);

%畫出聚類為1的點。X(Idx==1,1),為第一類的樣本的第一個坐標；X(Idx==1,2)為第二類的樣本的第二個坐標plot(X(Idx==1,1),X(Idx==1,2),'r.','MarkerSize',14)holdonplot(X(Idx==2,1),X(Idx==2,2),'b.','MarkerSize',14)holdonplot(X(Idx==3,1),X(Idx==3,2),'g.','MarkerSize',14)

%繪出聚類中心點,kx表示是圓形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('Cluste