KMeans算法实验报告.doc

K-Means聚类算施分析与类现 学专学姓号 XXXXXXXXXXX 学 专 学 姓 号 XXXXXXXXXXX 名 XXXX 指导教师. XXXX 20xx 年 x 月 xx ej K-Means聚类算法 K Means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： 第一步是为待聚类的点寻找聚类中心 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 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: 未聚类的初始点集 随机选取两个点作为聚类中心 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 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 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 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 (d) ⑷ (f) 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 (’Di splay’，’final’)； %调用Kmcans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]二 kmeans (X，3, ’ Replicates’，3, ’ Options’，opts); %画!li聚类为1的点。X(Idx==l, 1),为第一类的样本的第一个坐标；X(Idx==l, 2)为第二类 的样本的第二个坐标 plot (X(Idx==l, 1), X(Idx==l, 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) 聚矣中心点，kx表示是岡形 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 C Cluster 1’，’Cluster 2’，’Cluster 3’，’Centroids’，’Location’，’XW’) Ctrs Sum!) 执行结果： Kmcans 6 iterations, total sum of distances = 204.821 10 iterations, total sum of distances = 205.886 16 iterations, total sum of distances = 204.821 9 iterations，total sum of di stances = 205.886 9 iterations,8 iterations,8 iterations, 14 iterations, 14 iterations, 6 iterations,total sum of distances total sum of distances total sum of distances total sum of distances total sum of distances total sum of distances 9 iterations, 8 iterations, 8 iterations, 14 iterations, 14 iteratio