轉自：http://hi.baidu.com/lewutian/item/35dd29efec13d0f5e1a5d418K-means聚類算法采用的是將N*P的矩陣X劃分為K個類，使得類內對象之間的距離最大,而類之間的距離最小。

使用方法：

Idx=Kmeans(X,K)

[Idx,C]=Kmeans(X,K)

[Idx,C,sumD]=Kmeans(X,K)

[Idx,C,sumD,D]=Kmeans(X,K)

[…]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…)

各輸入輸出參數介紹：

X N*P的數據矩陣

K 表示將X劃分為幾類，為整數

Idx N*1的向量，存儲的是每個點的聚類標號

C K*P的矩陣，存儲的是K個聚類質心位置

sumD 1*K的和向量，存儲的是類間所有點與該類質心點距離之和

D N*K的矩陣，存儲的是每個點與所有質心的距離

[…]=Kmeans(…,'Param1',Val1,'Param2',Val2,…)

這其中的參數Param1、Param2等，主要可以設置為如下：

1. ‘Distance’(距離測度)

‘sqEuclidean’ 歐式距離(默認時，采用此距離方式)

‘cityblock’ 絕度誤差和，又稱：L1

‘cosine’ 針對向量

‘correlation’ ?針對有時序關系的值

‘Hamming’ 只針對二進制數據

2. ‘Start’(初始質心位置選擇方法)

‘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擇10%的X的子樣本(此方法初始使用’sample’方法)

matrix 提供一K*P的矩陣，作為初始質心位置集合

3. ‘Replicates’(聚類重復次數) ?整數

使用案例：

data=

5.0 3.5 1.3 0.3 -1

5.5 2.6 4.4 1.2 0

6.7 3.1 5.6 2.4 1

5.0 3.3 1.4 0.2 -1

5.9 3.0 5.1 1.8 1

5.8 2.6 4.0 1.2 0

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

運行結果：

Idx =

1

2

3

1

3

2

C =

5.0000 3.4000 1.3500 0.2500 -1.0000

5.6500 2.6000 4.2000 1.2000 ?0

6.3000 3.0500 5.3500 2.1000 1.0000

sumD =

0.0300

0.1250

0.6300

D =

0.0150 11.4525 25.5350

12.0950 0.0625 3.5550

29.6650 5.7525 0.3150

0.0150 10.7525 24.9650

21.4350 2.3925 0.3150

10.2050 0.0625 4.0850

總結

以上是生活随笔為你收集整理的二分k均值 matlab,Matlab函数kmeans：K-均值聚类的全部內容，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。