无监督学习.docxVIP

一、实验目的与要求掌握无监督学习的基本原理，在此基础上针对给定的数据集编程实现无监督学习算法(K均值聚类)。二、实验内容1.数据对象集合S见表1，作为一个聚类分析的二维样本，要求的簇的数量k=2。（基于C语言编程输出数据对象集合S的K-均值聚类的结果）Ox50450552三、实验步骤（操作界面截图或程序清单）1.解题步骤一、k=2,假设初始的簇中心为O1（0,2）和O2（0,0）二、计算各个点离簇中心的距离并据此把该点赋给距离小的簇O3：d(M2,O3) d(M1,O3)，故将O3分配给C2O4:d(M2,O4) d(M1,O4)，故将O4分配给C2O5:d(M2,O5) d(M1,O5)，故将O5分配给C1更新后，得到的新簇为C1 = {O1，O5},C2={O2，O3 ，O4}三、计算平方误差准则，单个方差分别为E1 = [(0-0)2 + (2-2)2] + [(0-5)2 + (2-2)2] = 25E2 = [(0-0)2 + (0-0)2] + [(0-1.5)2 + (0-0)2] + [(0-5)2 + (0-0)2] = 27.25总体平均方差是：E = E1 + E2 = 25 + 27.25 = 52.25四、计算新的簇中心M1 = ((0+5)/2，(2+2)/2) = (2.5，2)M2 = ((0+1.5+5)/3，(0+0+0)/3) = (2.17，0)五、重新计算距离并分类评估（重复步骤1~3）O3：d(M2,O3) d(M1,O3)，故将O3分配给C2O4：d(M2,O4) d(M1,O4)，故将O4分配给C2O5：d(M2,O5) d(M1,O5)，故将O5分配给C1更新后，得到的新簇为C1 = {O1，O5},C2={O2，O3 ，O4}单个方差分别为E1 = [(2.5-0)2 + (2-2)2] + [(2.5-5)2 + (2-2)2] = 12.5E2 = [(2.17-0)2 + (0-0)2] + [(2.17-1.5)2 + (0-0)2] + [(2.17-5)2 + (0-0)2] = 13.17总体平均方差是：E = E1 + E2 = 12.5 + 13.17 = 25.67由上可以看出，第一次迭代后，总体平均误差值52.25~25.67，显著减小。由于两次迭代中，分类簇不变，所以停止迭代过程，算法停止。2.实验代码#includestdio.h#includemath.h#includestdbool.h#define N 10struct point{ float x; float y;}; struct sortResult{ struct point r1[N]; struct point r2[N]; int count1; int count2; float deviation; };struct newCenter{ struct point c1; struct point c2; };struct point dataSet[N];int n = 0;//样本个数 void input(){ int i; printf(样本个数：); scanf(%d,n); for(i = 0; i n; i++){ printf(第%d个样本(格式：0,0),i+1); scanf(%f,%f,dataSet[i].x,dataSet[i].y); }}float getSqrt(struct point center,struct point p){ float result = sqrt((center.x-p.x)*(center.x-p.x)+(center.y-p.y)*(center.y-p.y)); return result;}struct sortResult sort(struct point c1,struct point c2){ struct sortResult r; int count1 = 0; int count2 = 0; float deviation1 = 0; float deviation2 = 0; int i = 0; int j = 0; for(i = 0; i n;i++){ if(getSqrt(c1,dataSet[i]) getSqrt(c2,dataSet[i])){ r.r1[count1++] = dataSet[i]; }else{ r.r2[count2++] = dataSet[i]; } } //for 分类 r.count1 = count1; r.count2 = count2; for(j = 0; j count1; j++){ d