资源描述：
《K-Means聚类算法-模式识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、实用标准文档K-Means聚类算法1.算法原理k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。 k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇;然后重新计算每个簇的平均值。这个过程不断重复，直到准则
2、函数收敛。通常，采用平方误差准则，其定义如下： 这里E是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇Ci的平均值。该目标函数使生成的簇尽可能紧凑独立，使用的距离度量是欧几里得距离,当然也可以用其他距离度量。k-means聚类算法的算法流程如下：输入：包含n个对象的数据库和簇的数目k；输出：k个簇，使平方误差准则最小。步骤： (1)任意选择k个对象作为初始的簇中心； (2)repeat； (3)根据簇中对象的平均值，将每个对象(重新)赋予最类似的簇； (4)更新簇的平均值，即计算每个簇中
3、对象的平均值；文案大全实用标准文档 (5)直到不再发生变化。2.主要代码主程序：clc;clear;closeall;%%聚类算法测试nSample=[500,500,500];%3维情况dim=3;coeff={[-20.8;-10.9;20.7;],....[10.9;-20.7;-20.8;],...[-20.7;20.8;-10.9;],};data=createSample(nSample,dim,coeff);%%得到训练数据nClass=length(nSample);tlabel=[];t
4、data=[];fori=1:nClass文案大全实用标准文档tlabel=[tlabel;i*ones(nSample(i),1)];tdata=[tdata;data{i}];end%%调用k-means聚类算法[label]=stpKMeans(tdata,nClass);%%绘图result=cell(1,nClass);index=0;fori=1:nClassindex=find(label(:,1)==i);result{i}=tdata(index,:);endfigure;subplot(
5、1,2,1);plot3(data{1}(:,1),data{1}(:,2),data{1}(:,3),'*',...data{2}(:,1),data{2}(:,2),data{2}(:,3),'o',...data{3}(:,1),data{3}(:,2),data{3}(:,3),'x');title('初始数据');subplot(1,2,2);plot3(result{1}(:,1),result{1}(:,2),result{1}(:,3),'*',...result{2}(:,1),resul
6、t{2}(:,2),result{2}(:,3),'o',...result{3}(:,1),result{3}(:,2),result{3}(:,3),'x');title('K-Means聚类结果');文案大全实用标准文档K-Means核心算法：function[label]=stpKMeans(data,k)%%KMeans聚类算法，参考%http://www.cnblogs.com/William_Fire/archive/2013/02/09/2909499.html%%%输入%data原始数据%
7、k聚多少个簇%%%输出%label按照data数据的顺序，每个样本的簇号的列表[n,dim]=size(data);label=zeros(n,1);%任选k个对象作为初始的簇中心seq=stpRandN_K(n,k);nowMeans=data(seq,:);fori=1:klabel(seq(i))=i;enddist=zeros(n,k);文案大全实用标准文档while(true)%计算数据到每个簇的欧几里得距离fori=1:ktemp=data;forj=1:dim%先让数据减去第j个特征temp(
8、:,j)=data(:,j)-nowMeans(i,j);end%点乘后再相加球的距离的平方temp=temp.*temp;dist(:,i)=sum(temp,2);end%从k种距离中找出最小的，并计算修改次数（label跟上一次不一样）[~,label2]=min(dist,[],2);editElem=sum(label(:,1)~=label2(:,1));label=label2;%fori=1:n%
