K-Means算法实验报告.docVIP

装订线

装

订

线

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算法的根本思想是初始随机给定K个簇中心，按照最邻近原那么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到达要求为止

下列图展示了对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

%XN*P的数据矩阵

%IdxN*1的向量,存储的是每个点的聚类标号

%CtrsK*P的矩阵,存储的是K个聚类质心位置

%SumD1*K的和向量,存储的是类间所有点与该类质心点距离之和

%DN*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)

holdon

plot(X(Idx==2,1),X(Idx==2,2),b.,MarkerSize,14)

holdon

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(Cluster1,Cluster2,Cluster3,Centroids,Location,NW)

?

Ctrs

SumD

执行结果：

?

聚类效果：