凝聚层次聚类算法matlab源码.docxVIP

共享一个在数据挖掘课程中作为示例使用的凝聚层次聚类算法源码，供大家学习交流 使用时将源码复制进一个新的 Function 并更改m文件的文件名为AGNES即可 --2016 年4月10 日 以下为程序的 matlab 源码： function [cluster]=AGNES(pointSet,targetClusterNum,method) % 凝聚层次聚类算法 % 输入：点集 pointSet 、目标簇数 targetClusterNum 、簇间差异度度量方式 method % 点集 pointSet 为n*m矩阵，包含n个点，每个点有 m个属性 % 目标簇数 targetClusterNum 为一个整数， 0targetClusterNumn % method 为字符串，对应不同距离度量方式： % method=min: 最小距离度量 ;method=max: 最大距离度量 ;method=mean: 均值距离度 量;method=avg: 平均距离度量 ; % 输出： cluster 为长度为n的向量，表示各点所对应簇的类别标记 % 调用方式示例： cluster=AGNES(pointSet,3,max); % 表示将 pointSet 使用最大距离度量方式聚为 3 个类，将通过 cluster 变量返回类标记 pointNum=size(pointSet,1); cluster=1:pointNum; %每个点对应簇标记 %当前簇数目。初始默认每个点为单独的一个簇 %当前簇数目。初始默认每个点为单独的一个簇 %若聚类数满足结束条件则算法结束 if clusterNum=targetClusterNum break ; end %计算簇间差异度 clusterDist=zeros(clusterNum); if strcmp(method, mean )==1 %计算各簇间差异度：平均距离 clusterMean=[]; for c=1:clusterNum %计算各簇均值 uniCluster=unique(cluster); subCluster=pointSet(cluster==uniCluster(c),:); clusterMean=[clusterMean;uniCluster(c),mean(subCluster,1)]; end for d=1:size(clusterMean,1) %计算各簇间距离 clusterDist(:,d)=sqrt(sum((clusterMean(:,2:end)-repmat(clusterMean(d,2: en d),size(clusterMea 门,1),1)).人2,2)); end clusterDist=clusterDist+eye(size(clusterDist,1))*max(max(clusterDist))* 100; %将对角线设为最大值 elseif strcmp(method, min )==1 %计算各簇间差异度：最小距离 for c1=1:clusterNum for c2=c1+1:clusterNum subPointSet1=pointSet(cluster==uniCluster(c1),:); subPointSet2=pointSet(cluster==uniCluster(c2),:); subPointSet1Expend=[]; for c3=1:size(subPointSet1,1) subPointSet1Expend=[subPointSet1Expend;repmat(subPointSet1(c3,:),size(s ubPointSet2,1),1)]; end subPointSet2Expend=repmat(subPointSet2,size(subPointSet1,1),1); dist=sqrt(sum((subPoi ntSetlExpe nd-subPoi ntSet2Expe nd).A2,2)); clusterDist(c1,c2)=min(dist); %取最小值 end end clusterDist=clusterDist+clusterDist; %将三角阵转换为对称阵 clusterDist=clusterDist+eye(size(clusterDist,1))*max(max(clusterDist))* 100; %将对角线设为最大值 elseif strcmp(method, max )==1 %计算各簇间差异度：最大距离 for c1=1:clusterNum for c2=c1+1:clusterNum subPointSet1=pointSet(clust