K-Means算法实验报告..docVIP

题目： K-Means聚类算法分析与实现 学 院 xxxxxxxxxxxxxxxxxxxx 专 业 xxxxxxxxxxxxxxxx 学 号 xxxxxxxxxxx 姓 名 xxxx 指导教师 xxxx 20xx年x月xx日 K-Means聚类算法 KMeans算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。 K-Means聚类算法主要分为三个步骤： (1)第一步是为待聚类的点寻找聚类中心 (2)第二步是计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去 (3)第三步是计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心 反复执行(2)、(3)，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止 下图展示了对n个样本点进行K-means聚类的效果，这里k取2： (a)未聚类的初始点集 (b)随机选取两个点作为聚类中心 (c)计算每个点到聚类中心的距离，并聚类到离该点最近的聚类中去 (d)计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心 (e)重复(c),计算每个点到聚类中心的距离，并聚类到离该点最近的聚类中去 (f)重复(d),计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心 Matlab实现： %随机获取150个点 X = [randn(50,2)+ones(50,2);randn(50,2)-ones(50,2);randn(50,2)+[ones(50,1),-ones(50,1)]]; ? opts = statset(Display,final); ? %调用Kmeans函数 %X N*P的数据矩阵 %Idx N*1的向量,存储的是每个点的聚类标号 %Ctrs K*P的矩阵,存储的是K个聚类质心位置 %SumD 1*K的和向量,存储的是类间所有点与该类质心点距离之和 %D N*K的矩阵，存储的是每个点与所有质心的距离; ? [Idx,Ctrs,SumD,D] = kmeans(X,3,Replicates,3,Options,opts); ? %画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标；X(Idx==1,2)为第二类的样本的第二个坐标 plot(X(Idx==1,1),X(Idx==1,2),r.,MarkerSize,14) hold on plot(X(Idx==2,1),X(Idx==2,2),b.,MarkerSize,14) hold on plot(X(Idx==3,1),X(Idx==3,2),g.,MarkerSize,14) ? %绘出聚类中心点,kx表示是圆形 plot(Ctrs(:,1),Ctrs(:,2),kx,MarkerSize,14,LineWidth,4) plot(Ctrs(:,1),Ctrs(:,2),kx,MarkerSize,14,LineWidth,4) plot(Ctrs(:,1),Ctrs(:,2),kx,MarkerSize,14,LineWidth,4) ? legend(Cluster 1,Cluster 2,Cluster 3,Centroids,Location,NW) ? Ctrs SumD 执行结果： Kmeans6 iterations, total sum of distances = 204.82110 iterations, total sum of distances = 205.88616 iterations, total sum of distances = 204.8219 iterations, total sum of distances = 205.886........9 iterations, total sum of distances = 205.8868 iterations, total sum of distances = 204.8218 iterations, total sum of distances = 204.82114 iterations, total sum of distances = 205.88614 iterations, total sum of dis