K-Means聚类算法及实现代码

《K-Means聚类算法及实现代码》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、K-Means算法k-means算法接受参数k；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。假设要把样本集分为c个类别，算法描述如下：（1）适当选择c个类的初始中心；（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；（3）利用均值等方法更新该类的中心值；（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则

2、继续迭代。#include#include#include#define_NUM3//预定义划分簇的数目usingnamespacestd;/**特征对象，表示一个元组，一个元组有两个数值属性**/structTuple{intattr1;intattr2;};/**获取两个特征对象之间的距离，在此以欧基米德距离作为距离度量标准**/doublegetDistXY(Tuplet1,Tuplet2){returnsqrt((t1.attr1-t2.attr1)*(t1.attr1-t2.attr1)+(

3、t1.attr2-t2.attr2)*(t1.attr2-t2.attr2));}/**计算簇的中心点，在此以簇中所有对象的平均距离来计算中心点**/TuplegetMeansC(vectorc){intnum=c.size();doublemeansX=0,meansY=0;Tuplet;for(inti=0;i

4、数收敛时算法停止**/doublegetE(vectorclasses[],Tuplemeans[]){doublesum=0;for(inti=0;i<_NUM;i++){vectorv=classes[i];for(intj=0;j

5、

6、ans[i].attr1)+(t.attr2-means[i].attr2)*(t.attr2-means[i].attr2);if(tempinit){vectorclasses[_NUM];//定义簇数组，共需划分_NUM个簇intc;Tuplemeans[_NUM];//定义中心点数组，每个簇对应一个中心点doublenewE,oldE=-1;//定义准则函数值for(inti=0;i<_NUM;i++)

7、//对每个簇初始赋予一个特征对象{cin>>c;classes[i].push_back(init[c-1]);means[i]=getMeansC(classes[i]);//计算当前每个簇的中心点cout<<"means["<

8、i].clear();}while(abs(newE-oldE)>=1)//当新旧函数值相差不