K-means算法以偶是距離作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。算法采用誤差平方和準則函數作為聚類準則函數
K-means聚類算法采用的是將NP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 :NP的數據矩陣
K: 表示將X劃分為幾類，為整數
Idx :N1的向量，存儲的是每個點的聚類標號
C: KP的矩陣，存儲的是K個聚類質心位置
sumD 1K的和向量，存儲的是類間所有點與該類質心點距離之和
D NK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

總結

以上是生活随笔為你收集整理的MATLAB中K-means函数表达方式的全部內容，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。