基本函數使用方法：Idx=Kmeans(X,K)

對矩陣X進行分類且為K類；假設X為m*n矩陣，n為特征數，m為樣本數目，則輸出參數Idx為m個整數，且屬于1到K之間的數。[Idx,C]=Kmeans(X,K)

對矩陣X進行分類且為K類；假設X為m*n矩陣，n為特征數，m為樣本數目，則輸出參數Idx為m個整數，且屬于1到K之間的數。 并且返回聚類中心C，C為k*n的矩陣。[Idc,C,sumD]=Kmeans(X,K)

對矩陣X進行分類且為K類；假設X為m*n矩陣，n為特征數，m為樣本數目，則輸出參數Idx為m個整數，且屬于1到K之間的數；sumD為1*K的和向量，存儲的是類內所有點與該類質心點距離之和；[Idx,C,sumD,D]=Kmeans(X,K)

對矩陣X進行分類且為K類；假設X為m*n矩陣，n為特征數，m為樣本數目，則輸出參數Idx為m個整數，且屬于1到K之間的數；sumD為1*K的和向量，存儲的是類內所有點與該類質心點距離之和；D為m*K的矩陣，存儲的是每個點與所有質心的距離[┈]=Kmeans(┈,’Param1’,’Val1’,’Param2’,’Val2’,┈) 有很多可選參數：

其中參數Param1、Param2等，主要可以設置為如下：

2、’Distance’---距離測度：

‘sqEuclidean’---歐氏距離；

‘cityblock’---絕對誤差和；

‘cosine’---余弦距離；

‘correlation’---針對有時序關系的值；

‘Hamming’---只針對二進制數據；

3、’Start’---初始質心位置選擇方法(矩陣為k*n)

‘sample’---從X中隨機選取K個質心點；

‘uniform’---根據X的分布范圍均勻的隨機生成K個質心

‘cluster’---初始聚類階段隨機選取10%的X的子樣本

Matrix提供一K*P的矩陣，作為初始質心位置集合

4、’Replicates’---聚類重復次數，為整數(可以理解為重復程序多次取平均)

5.代碼實例：

其實利用庫函數做聚類很簡單，但是收集數據，處理原始數據比較麻煩！！

data= rand(1000,5);%產生1000個樣本數據，每個數據有5個特征

[Idx,C,sumD,D]=Kmeans(data,3,'dist','sqEuclidean','Replicates',4)%聚類

%把1000個樣本聚為3類，距離度量函數為歐氏距離，聚類重復次數為4

總結

以上是生活随笔為你收集整理的matlab调用kmeans_matlab做聚类分析（k-means）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。