這是我的第一篇博客；

?

K-Means算法過(guò)程，略；

這是一次課程的任務(wù)2333，是利用所學(xué)K-means聚類分析方法，對(duì)iris數(shù)據(jù)集進(jìn)行聚類分析，并利用已知的樣本類別標(biāo)
簽進(jìn)行聚類分析評(píng)價(jià)；

我的K均值算法以iris.data為例（附在文末）；

數(shù)據(jù)集：Iris數(shù)據(jù)集
?(http://archive.ics.uci.edu/ml/datasets/Iris)
數(shù)據(jù)描述：Iris數(shù)據(jù)集包含150個(gè)鳶尾花模式樣本，其中 每個(gè)模式樣本采用5維的特征描述
X = (x1,x2,x3,x4,w);
x1: 萼片長(zhǎng)度(厘米）
x2: 萼片寬度(厘米）
x3: 花瓣長(zhǎng)度(厘米）
x4：花瓣寬度(厘米）
w(類別屬性 ): 山鳶尾 (Iris setosa)，變色鳶尾(Iris versicolor)和維吉尼亞鳶尾(Iris virginica)

?

先貼上我的函數(shù)結(jié)構(gòu)：

?

函數(shù)結(jié)構(gòu)—— FindCluster(~) 聚類算法主函數(shù)| MyKmeans —— MyPlot2(~),MyPlot3(~) 畫圖|—— Accuracy(~) 聚類精度評(píng)價(jià)

?

?

MyKmean.m，程序運(yùn)行的主函數(shù)

% 作者 ： YG1501 LQY % 日期 ： 2018.01.13 星期六 % 函數(shù)功能 ： 實(shí)現(xiàn)對(duì)iris.data數(shù)據(jù)集的分類，并根據(jù)分類結(jié)果進(jìn)行精度評(píng)價(jià)clear;clc;close all; %手動(dòng)選取文件，選用iris.data [filename,fpath] = uigetfile(... {...'*.m;*.txt;*.data',...'Data(*.m;*.txt;*.data)';...'*.*','All Files(*.*)'... },'Select data'); if ~filenamereturn end% filename = 'iris.data'; % 嫌麻煩可以用這個(gè)[X1,X2,X3,X4,X5] = textread(filename,'%f%f%f%f%s','delimiter',','); %Get data clear filename fpathX = [X1 X2 X3 X4]; %目前貌似還沒(méi)什么用 [m,~] = size(X);%分配索引 DataLabel = zeros(m,1); DataLabel(strcmp(X5,'Iris-setosa')) = 1; DataLabel(strcmp(X5,'Iris-versicolor')) = 2; DataLabel(strcmp(X5,'Iris-virginica')) = 3; clear m X5%二維結(jié)果 [MyCenter1,ClusterLabel12] = FindCluster([X1 X2],3,DataLabel); [MyCenter2,ClusterLabel13] = FindCluster([X1 X3],3,DataLabel); [MyCenter3,ClusterLabel14] = FindCluster([X1 X4],3,DataLabel); [MyCenter4,ClusterLabel23] = FindCluster([X2 X3],3,DataLabel); [MyCenter5,ClusterLabel24] = FindCluster([X2 X4],3,DataLabel); [MyCenter6,ClusterLabel34] = FindCluster([X3 X4],3,DataLabel);hold on; subplot(231)MyPlot2(X1,X2,DataLabel,MyCenter1),xlabel('X1'),ylabel('X2') subplot(232)MyPlot2(X1,X3,DataLabel,MyCenter2),xlabel('X1'),ylabel('X3') subplot(233)MyPlot2(X1,X4,DataLabel,MyCenter3),xlabel('X1'),ylabel('X4') subplot(234)MyPlot2(X2,X3,DataLabel,MyCenter4),xlabel('X2'),ylabel('X3') subplot(235)MyPlot2(X2,X4,DataLabel,MyCenter5),xlabel('X2'),ylabel('X4') subplot(236)MyPlot2(X3,X4,DataLabel,MyCenter6),xlabel('X3'),ylabel('X4')clear MyCenter1 MyCenter2 MyCenter3 MyCenter4 MyCenter5 MyCenter6%三維結(jié)果 [MyCenter7,ClusterLabel123] = FindCluster([X1,X2,X3],3,DataLabel); [MyCenter8,ClusterLabel124] = FindCluster([X1,X2,X4],3,DataLabel); [MyCenter9,ClusterLabel134] = FindCluster([X1,X3,X4],3,DataLabel); [MyCenter10,ClusterLabel234] = FindCluster([X2,X3,X4],3,DataLabel);hold on; figure,title('3D'); subplot(221)MyPlot3(X1,X2,X3,DataLabel,MyCenter7)xlabel('X1'),ylabel('X2'),zlabel('X3'); subplot(222)MyPlot3(X1,X2,X4,DataLabel,MyCenter8)xlabel('X1'),ylabel('X2'),zlabel('X4'); subplot(223)MyPlot3(X1,X3,X4,DataLabel,MyCenter9)xlabel('X1'),ylabel('X3'),zlabel('X4'); subplot(224)MyPlot3(X2,X3,X4,DataLabel,MyCenter10)xlabel('X2'),ylabel('X3'),zlabel('X4');clear MyCenter7 MyCenter8 MyCenter9 MyCenter10%聚類精度評(píng)價(jià) %二維結(jié)果 ClusterLabel_2D = [ClusterLabel12,ClusterLabel13,ClusterLabel14...ClusterLabel23,ClusterLabel24,ClusterLabel34]; ClusterAccuracy_2D = Accuracy(DataLabel,ClusterLabel_2D); clear ClusterLabel12 ClusterLabel13 ClusterLabel14 clear ClusterLabel23 ClusterLabel24 ClusterLabel34 ClusterLabel_2D%三維結(jié)果 ClusterLabel_3D = [ClusterLabel123,ClusterLabel124,ClusterLabel134,ClusterLabel234]; ClusterAccuracy_3D = Accuracy(DataLabel,ClusterLabel_3D); clear ClusterLabel123 ClusterLabel124 ClusterLabel134 ClusterLabel234 clear ClusterLabel_3D

FindCluster.m

%函數(shù)功能 ： 輸入數(shù)據(jù)集、聚類中心個(gè)數(shù)與樣本標(biāo)簽 % 得到聚類中心與聚類樣本標(biāo)簽function [ClusterCenter,ClusterLabel] = FindCluster(MyData,ClusterCounts,DataLabel) [m,n] = size(MyData);ClusterLabel = zeros(m,1); %用于存儲(chǔ)聚類標(biāo)簽% MyLabel = unique(DataLabel,'rows'); % for i = 1:size(MyLabel,2); % LabelIndex(1,i) = i; %為數(shù)據(jù)標(biāo)簽創(chuàng)建索引 % end%已知數(shù)據(jù)集的每個(gè)樣本的中心 OriginCenter = zeros(ClusterCounts,n); for q = 1:ClusterCountsDataCounts = 0;for p = 1:m%按照數(shù)據(jù)標(biāo)簽，計(jì)算樣本中心if DataLabel(p) == qOriginCenter(q,:) = OriginCenter(q,:) + MyData(p,:);DataCounts = DataCounts + 1;endendOriginCenter(q,:) = OriginCenter(q,:) ./ DataCounts; end %按照第一列對(duì)樣本中心排序 %排序是為了解決新聚類中心因隨機(jī)分配而與樣本最初的聚類中心不匹配的問(wèn)題 SortCenter1 = sortrows(OriginCenter,1);FalseTimes = 0; CalcuateTimes = 0; %此循環(huán)用于糾正分類錯(cuò)誤的情況 while (CalcuateTimes < 15)ClusterCenter = zeros(ClusterCounts,n); %初始化聚類中心for p = 1:ClusterCountsClusterCenter(p,:) = MyData( randi(m,1),:); %隨機(jī)選取一個(gè)點(diǎn)作為中心end%此循環(huán)用于尋找聚類中心%目前還未解決該循環(huán)陷入死循環(huán)的問(wèn)題，所以設(shè)置一個(gè)參數(shù)來(lái)終止循環(huán)kk = 0;while (kk < 15)Distance = zeros(1,ClusterCounts); %存儲(chǔ)單個(gè)樣本到每個(gè)聚類中心的距離DataCounts = zeros(1,ClusterCounts); %記錄每個(gè)聚類的樣本數(shù)目NewCenter = zeros(ClusterCounts,n);for p = 1:mfor q = 1:ClusterCountsDistance(q) = norm(MyData(p,:) - ClusterCenter(q,:));end%index返回最小距離的索引，亦即聚類中心的標(biāo)號(hào)[~,index] = min(Distance);ClusterLabel(p) = index;end k = 0;for q = 1:ClusterCountsfor p = 1:m%按照標(biāo)記，對(duì)樣本進(jìn)行分類,并計(jì)算聚類中心if ClusterLabel(p) == qNewCenter(q,:) = NewCenter(q,:) + MyData(p,:);DataCounts(q) = DataCounts(q) + 1;endendNewCenter(q,:) = NewCenter(q,:) ./ DataCounts(q);%若新的聚類中心與上一個(gè)聚類中心相同，則認(rèn)為算法收斂if norm(NewCenter(q,:) - ClusterCenter(q,:)) < 0.1k = k + 1;endendClusterCenter = NewCenter;%判斷是否全部收斂if k == ClusterCountsbreak;endkk = kk + 1 ;end%再次判斷每個(gè)聚類是否分類正確，若分類錯(cuò)誤則進(jìn)行懲罰trueCounts = ClusterCounts;SortCenter2 = sortrows(ClusterCenter,1);for p = 1:ClusterCountsif norm(SortCenter1(p,:) - SortCenter2(p,:)) > 0.5trueCounts = trueCounts - 1;FalseTimes = FalseTimes + 1;break;endendif trueCounts == ClusterCountsbreak;endCalcuateTimes = CalcuateTimes + 1; end% FalseTimes % CalcuateTimes % trueCounts% kk % DataCounts % OriginCenter % NewCenter%理論上每個(gè)聚類的標(biāo)簽應(yīng)是123排列的，但實(shí)際上，由于每個(gè)聚類中心都是隨機(jī)選取的， %實(shí)際分類的順序可能是213，132等，所以需要對(duì)分類標(biāo)簽進(jìn)行糾正，這對(duì)之后的精度評(píng) %價(jià)帶來(lái)了方便，如果不需要進(jìn)行精度評(píng)價(jià)，可以注釋下方代碼。 %對(duì)分類標(biāo)簽進(jìn)行糾正： %算法原理：從第一個(gè)已知的樣本中心開(kāi)始，尋找離其最近的聚類中心，然后將歸類于該 % 聚類中心的樣本的聚類標(biāo)簽更換為i for i = 1:ClusterCounts %遍歷原始樣本中心for j = 1:ClusterCounts %遍歷聚類中心，與原樣本中心比較if norm(OriginCenter(i,:) - ClusterCenter(j,:)) < 0.6% for p = 1:m% if ClusterLabel(p) == j% ClusterLabel(p) = 2 * ClusterCounts + i;% end% endClusterLabel(ClusterLabel == j) = 2 * ClusterCounts + i;endend end ClusterLabel = ClusterLabel - 2 * ClusterCounts; %Temp = [MyData(:,:),ClusterLabel]

至此已經(jīng)完成了聚類中心的計(jì)算。該方法基本解決了因隨機(jī)選取初始中心而導(dǎo)致最后聚類中心明顯錯(cuò)誤的情況，但缺點(diǎn)在于循環(huán)太多，時(shí)間復(fù)雜度O（？），而且偶爾會(huì)陷入死循環(huán)，原因在于有兩個(gè)或者以上的聚類中心被選到了同一點(diǎn)。若超過(guò)10s還沒(méi)跑出結(jié)果，還是重新運(yùn)行下程序吧

?

畫圖的函數(shù):

MyPlot2.m

%函數(shù)功能 : 輸入樣本，樣本標(biāo)簽及求出的聚類中心，顯示二維圖像，實(shí)現(xiàn)數(shù)據(jù)可視化function MyPlot2(X1,X2,DataLabel,ClusterCenter) [m,~] = size(X1);hold on; % for p = 1:m % if(DataLabel(p) == 1) % plot(X1(p),X2(p),'*r') % elseif(DataLabel(p) == 2) % plot(X1(p),X2(p),'*g') % else % plot(X1(p),X2(p),'*b') % end % endp = find(DataLabel == 1); plot(X1(p),X2(p),'*r') p = find(DataLabel == 2); plot(X1(p),X2(p),'*g') p = find(DataLabel == 3); plot(X1(p),X2(p),'*b')% xlabel(who('X1')); % ylabel(who('X2')); %PS ： 我想在坐標(biāo)軸中根據(jù)輸入的形參的矩陣的名字，轉(zhuǎn)換成字符串，來(lái)動(dòng)態(tài)輸出 % 坐標(biāo)軸名稱，不知道該怎么做？用上面注釋的語(yǔ)句不行。。 [n,~] = size(ClusterCenter);plot(ClusterCenter(1:1:n,1),ClusterCenter(1:1:n,2),'ok')grid on;

MyPlot3.m

function MyPlot3(X1,X2,X3,DataLabel,ClusterCenter) [m,~] = size(X1);hold on; % for i = 1:m % if(DataLabel(i) == 1) % plot3(X1(i),X2(i),X3(i),'.r') % elseif(DataLabel(i) == 2) % plot3(X1(i),X2(i),X3(i),'.g') % else % plot3(X1(i),X2(i),X3(i),'.b') % end % endp = find(DataLabel == 1); plot3(X1(p),X2(p),X3(p),'.r') p = find(DataLabel == 2); plot3(X1(p),X2(p),X3(p),'.g') p = find(DataLabel == 3); plot3(X1(p),X2(p),X3(p),'.b')% xlabel('X1'); % ylabel('X2'); % zlabel('X3'); %PS ： 我想在坐標(biāo)軸中根據(jù)輸入的形參的矩陣的名字，轉(zhuǎn)換成字符串，來(lái)動(dòng)態(tài)輸出 % 坐標(biāo)軸名稱，不知道該怎么做？用上面注釋的語(yǔ)句不行。。[n,~] = size(ClusterCenter);% for i = 1:n % plot3(ClusterCenter(i,1),ClusterCenter(i,2),ClusterCenter(i,3),'ok') % end plot3(ClusterCenter(1:1:n,1),ClusterCenter(1:1:n,2),ClusterCenter(1:1:n,3),'ok')view([1 1 1]); grid on;

精度評(píng)價(jià)Accuracy.m

%函數(shù)功能：根據(jù)聚類結(jié)果進(jìn)行精度評(píng)價(jià) %精度評(píng)價(jià)，返回每一種分類的精度值(正確率) function ClusterAccuracy = Accuracy(DataLable,CLusterLabel) [m,n] = size(CLusterLabel); ClusterAccuracy = zeros(1,n);%理論上的聚類標(biāo)簽應(yīng)為 1,2,3，但實(shí)際上可能變成了 213 , 132等，導(dǎo)致計(jì)算失誤 %因此需要對(duì)分類標(biāo)簽進(jìn)行糾正，而這一步驟已經(jīng)在FindCluster函數(shù)中完成了 for i = 1:n%原理：假設(shè)某樣本在已知數(shù)據(jù)集中屬于第一類，而其聚類后的也同樣被分到了第一類，那么它們的標(biāo)簽%都是1，這樣相減后結(jié)果就為0，表明已經(jīng)分類正確，否則不為0，分類錯(cuò)誤Temp(:,i) = DataLable - CLusterLabel(:,i); endfor j = 1:nfor i = 1:mif Temp(i,j) == 0ClusterAccuracy(1,j) = ClusterAccuracy(1,j) + 1;endend endClusterAccuracy = ClusterAccuracy ./ m;

?

?

運(yùn)行結(jié)果展示（二維結(jié)果）：


可以看到，在二維的情況下，比較X3: 花瓣長(zhǎng)度(厘米）和X4：花瓣寬度(厘米）的精度更高（94.67%），也就是說(shuō)只比較兩種特征時(shí)，比較花瓣長(zhǎng)度和花瓣寬度，區(qū)分三種花的效果更好，分類結(jié)果更可靠。

?

三維分類結(jié)果：

可以看到，在三維的情況下，比較X2：萼片寬度(厘米），X3: 花瓣長(zhǎng)度(厘米）和X4：花瓣寬度(厘米）的精度更高（93.33%），也就是說(shuō)比較三種特征時(shí)，取X2，X3，X4，區(qū)分三種花的效果更好，分類結(jié)果更可靠。

?

?

最后：本程序目前還存在諸多不足，比如時(shí)間復(fù)雜度高，效率較低；目前對(duì)Matlab語(yǔ)言還不是很熟，寫的程序也比較C-Style，各位看官若是有改進(jìn)的建議，歡迎留言，或者直接聯(lián)系我（聯(lián)系方式附在文最末），大家一起探討:D

?

?

附iris.data數(shù)據(jù)集：

?

5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-setosa 5.0,3.6,1.4,0.2,Iris-setosa 5.4,3.9,1.7,0.4,Iris-setosa 4.6,3.4,1.4,0.3,Iris-setosa 5.0,3.4,1.5,0.2,Iris-setosa 4.4,2.9,1.4,0.2,Iris-setosa 4.9,3.1,1.5,0.1,Iris-setosa 5.4,3.7,1.5,0.2,Iris-setosa 4.8,3.4,1.6,0.2,Iris-setosa 4.8,3.0,1.4,0.1,Iris-setosa 4.3,3.0,1.1,0.1,Iris-setosa 5.8,4.0,1.2,0.2,Iris-setosa 5.7,4.4,1.5,0.4,Iris-setosa 5.4,3.9,1.3,0.4,Iris-setosa 5.1,3.5,1.4,0.3,Iris-setosa 5.7,3.8,1.7,0.3,Iris-setosa 5.1,3.8,1.5,0.3,Iris-setosa 5.4,3.4,1.7,0.2,Iris-setosa 5.1,3.7,1.5,0.4,Iris-setosa 4.6,3.6,1.0,0.2,Iris-setosa 5.1,3.3,1.7,0.5,Iris-setosa 4.8,3.4,1.9,0.2,Iris-setosa 5.0,3.0,1.6,0.2,Iris-setosa 5.0,3.4,1.6,0.4,Iris-setosa 5.2,3.5,1.5,0.2,Iris-setosa 5.2,3.4,1.4,0.2,Iris-setosa 4.7,3.2,1.6,0.2,Iris-setosa 4.8,3.1,1.6,0.2,Iris-setosa 5.4,3.4,1.5,0.4,Iris-setosa 5.2,4.1,1.5,0.1,Iris-setosa 5.5,4.2,1.4,0.2,Iris-setosa 4.9,3.1,1.5,0.1,Iris-setosa 5.0,3.2,1.2,0.2,Iris-setosa 5.5,3.5,1.3,0.2,Iris-setosa 4.9,3.1,1.5,0.1,Iris-setosa 4.4,3.0,1.3,0.2,Iris-setosa 5.1,3.4,1.5,0.2,Iris-setosa 5.0,3.5,1.3,0.3,Iris-setosa 4.5,2.3,1.3,0.3,Iris-setosa 4.4,3.2,1.3,0.2,Iris-setosa 5.0,3.5,1.6,0.6,Iris-setosa 5.1,3.8,1.9,0.4,Iris-setosa 4.8,3.0,1.4,0.3,Iris-setosa 5.1,3.8,1.6,0.2,Iris-setosa 4.6,3.2,1.4,0.2,Iris-setosa 5.3,3.7,1.5,0.2,Iris-setosa 5.0,3.3,1.4,0.2,Iris-setosa 7.0,3.2,4.7,1.4,Iris-versicolor 6.4,3.2,4.5,1.5,Iris-versicolor 6.9,3.1,4.9,1.5,Iris-versicolor 5.5,2.3,4.0,1.3,Iris-versicolor 6.5,2.8,4.6,1.5,Iris-versicolor 5.7,2.8,4.5,1.3,Iris-versicolor 6.3,3.3,4.7,1.6,Iris-versicolor 4.9,2.4,3.3,1.0,Iris-versicolor 6.6,2.9,4.6,1.3,Iris-versicolor 5.2,2.7,3.9,1.4,Iris-versicolor 5.0,2.0,3.5,1.0,Iris-versicolor 5.9,3.0,4.2,1.5,Iris-versicolor 6.0,2.2,4.0,1.0,Iris-versicolor 6.1,2.9,4.7,1.4,Iris-versicolor 5.6,2.9,3.6,1.3,Iris-versicolor 6.7,3.1,4.4,1.4,Iris-versicolor 5.6,3.0,4.5,1.5,Iris-versicolor 5.8,2.7,4.1,1.0,Iris-versicolor 6.2,2.2,4.5,1.5,Iris-versicolor 5.6,2.5,3.9,1.1,Iris-versicolor 5.9,3.2,4.8,1.8,Iris-versicolor 6.1,2.8,4.0,1.3,Iris-versicolor 6.3,2.5,4.9,1.5,Iris-versicolor 6.1,2.8,4.7,1.2,Iris-versicolor 6.4,2.9,4.3,1.3,Iris-versicolor 6.6,3.0,4.4,1.4,Iris-versicolor 6.8,2.8,4.8,1.4,Iris-versicolor 6.7,3.0,5.0,1.7,Iris-versicolor 6.0,2.9,4.5,1.5,Iris-versicolor 5.7,2.6,3.5,1.0,Iris-versicolor 5.5,2.4,3.8,1.1,Iris-versicolor 5.5,2.4,3.7,1.0,Iris-versicolor 5.8,2.7,3.9,1.2,Iris-versicolor 6.0,2.7,5.1,1.6,Iris-versicolor 5.4,3.0,4.5,1.5,Iris-versicolor 6.0,3.4,4.5,1.6,Iris-versicolor 6.7,3.1,4.7,1.5,Iris-versicolor 6.3,2.3,4.4,1.3,Iris-versicolor 5.6,3.0,4.1,1.3,Iris-versicolor 5.5,2.5,4.0,1.3,Iris-versicolor 5.5,2.6,4.4,1.2,Iris-versicolor 6.1,3.0,4.6,1.4,Iris-versicolor 5.8,2.6,4.0,1.2,Iris-versicolor 5.0,2.3,3.3,1.0,Iris-versicolor 5.6,2.7,4.2,1.3,Iris-versicolor 5.7,3.0,4.2,1.2,Iris-versicolor 5.7,2.9,4.2,1.3,Iris-versicolor 6.2,2.9,4.3,1.3,Iris-versicolor 5.1,2.5,3.0,1.1,Iris-versicolor 5.7,2.8,4.1,1.3,Iris-versicolor 6.3,3.3,6.0,2.5,Iris-virginica 5.8,2.7,5.1,1.9,Iris-virginica 7.1,3.0,5.9,2.1,Iris-virginica 6.3,2.9,5.6,1.8,Iris-virginica 6.5,3.0,5.8,2.2,Iris-virginica 7.6,3.0,6.6,2.1,Iris-virginica 4.9,2.5,4.5,1.7,Iris-virginica 7.3,2.9,6.3,1.8,Iris-virginica 6.7,2.5,5.8,1.8,Iris-virginica 7.2,3.6,6.1,2.5,Iris-virginica 6.5,3.2,5.1,2.0,Iris-virginica 6.4,2.7,5.3,1.9,Iris-virginica 6.8,3.0,5.5,2.1,Iris-virginica 5.7,2.5,5.0,2.0,Iris-virginica 5.8,2.8,5.1,2.4,Iris-virginica 6.4,3.2,5.3,2.3,Iris-virginica 6.5,3.0,5.5,1.8,Iris-virginica 7.7,3.8,6.7,2.2,Iris-virginica 7.7,2.6,6.9,2.3,Iris-virginica 6.0,2.2,5.0,1.5,Iris-virginica 6.9,3.2,5.7,2.3,Iris-virginica 5.6,2.8,4.9,2.0,Iris-virginica 7.7,2.8,6.7,2.0,Iris-virginica 6.3,2.7,4.9,1.8,Iris-virginica 6.7,3.3,5.7,2.1,Iris-virginica 7.2,3.2,6.0,1.8,Iris-virginica 6.2,2.8,4.8,1.8,Iris-virginica 6.1,3.0,4.9,1.8,Iris-virginica 6.4,2.8,5.6,2.1,Iris-virginica 7.2,3.0,5.8,1.6,Iris-virginica 7.4,2.8,6.1,1.9,Iris-virginica 7.9,3.8,6.4,2.0,Iris-virginica 6.4,2.8,5.6,2.2,Iris-virginica 6.3,2.8,5.1,1.5,Iris-virginica 6.1,2.6,5.6,1.4,Iris-virginica 7.7,3.0,6.1,2.3,Iris-virginica 6.3,3.4,5.6,2.4,Iris-virginica 6.4,3.1,5.5,1.8,Iris-virginica 6.0,3.0,4.8,1.8,Iris-virginica 6.9,3.1,5.4,2.1,Iris-virginica 6.7,3.1,5.6,2.4,Iris-virginica 6.9,3.1,5.1,2.3,Iris-virginica 5.8,2.7,5.1,1.9,Iris-virginica 6.8,3.2,5.9,2.3,Iris-virginica 6.7,3.3,5.7,2.5,Iris-virginica 6.7,3.0,5.2,2.3,Iris-virginica 6.3,2.5,5.0,1.9,Iris-virginica 6.5,3.0,5.2,2.0,Iris-virginica 6.2,3.4,5.4,2.3,Iris-virginica 5.9,3.0,5.1,1.8,Iris-virginica

?

代碼與數(shù)據(jù)可直接下載，

鏈接：https://pan.baidu.com/s/1fVzbH5fJnRKjIBCe8ir0Gw?

提取碼：gekv

?

?

?

?

?

?

2018 / 01 / 27 ? 補(bǔ)充：

我想到了一些提高運(yùn)行效率的方法，那就是盡量減少for循環(huán)，因?yàn)閙atlab對(duì)for循環(huán)的處理效率是很低的！

可拱參考的優(yōu)化思路：

1） 使用parfor；

2）使用find；

3）向量化，即使用向量操作代替循環(huán);

4）bsxfun（），sum（）， ‘./’ '.*'

? ? ? 5）待補(bǔ)充

?

?

?

2018 / 05 / 03 ? 更新：

程序之所以跑得慢，是因?yàn)楫媹D函數(shù)用了for循環(huán)，把for循環(huán)去掉直接用plot，會(huì)快很多。

?

?

?

2018/07/12更新：

? ? ?? 優(yōu)化了畫圖函數(shù)，現(xiàn)在可以很快看到結(jié)果了；?

? ? ? 直接從網(wǎng)頁(yè)把代碼復(fù)制過(guò)去的話，函數(shù)運(yùn)行會(huì)出問(wèn)題，修改方法如下：看到FindCluster函數(shù)里，找到所有while循環(huán)語(yǔ)句和 if 判斷語(yǔ)句，把? @It； 改成? < ,? 把? @gt； 改成 ? ＞ 就行了(這個(gè)問(wèn)題我解決不了，修改的時(shí)候能正確顯示，但保存后就出問(wèn)題了.....）

????

CSDN已經(jīng)很少登錄了，消息幾乎不看，如有疑問(wèn)，請(qǐng)用以下方式聯(lián)系博主：

郵箱：1765928683@qq.com

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的我的K均值算法的matlab实现的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。