人工智能方向实习实验报告.doc

. 资料. 《 — 人工智能方向实习—》 实 习 报 告 实验一 数据聚类分析 一、实验目的 编程实现数据聚类的算法。 二、实验内容 k-means聚类算法。 三、实验原理方法和手段 k-means算法接受参数k ；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高. 四、实验条件 Matlab2014b 五、实验步骤 初始化k个聚类中心。 计算数据集各数据到中心的距离，选取到中心距离最短的为该数据所属类别。 计算(2)分类后，k个类别的中心（即求聚类平均距离） 继续执行(2)(3)直到k个聚类中心不再变化(或者数据集所属类别不再变化) 六、实验代码 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % main.m % k-means algorithm % @author matcloud %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% clear; close all; load fisheriris; X = [meas(:,3) meas(:,4)]; figure; plot(X(:,1),X(:,2),ko,MarkerSize,4); title(fisheriris dataset,FontSize,18,Color,red); [idx,ctrs] = kmeans(X,3); figure; subplot(1,2,1); plot(X(idx==1,1),X(idx==1,2),ro,MarkerSize,4); hold on; plot(X(idx==2,1),X(idx==2,2),go,MarkerSize,4); hold on; plot(X(idx==3,1),X(idx==3,2),bo,MarkerSize,4); hold on; plot(ctrs(:,1),ctrs(:,2),kx,MarkerSize,12); title(official kmeans,FontSize,16,Color,red); [idx,ctrs] = my_kmeans(X,3); subplot(1,2,2); plot(X(idx==1,1),X(idx==1,2),ro,MarkerSize,4); hold on; plot(X(idx==2,1),X(idx==2,2),go,MarkerSize,4); hold on; plot(X(idx==3,1),X(idx==3,2),bo,MarkerSize,4); hold on; plot(ctrs(:,1),ctrs(:,2),kx,MarkerSize,12); title(custom kmeans,FontSize,16,Color,red); function [idx,ctrs] = my_kmeans(m,k) [row col] = size(m); %init k centroids p = randperm(size(m,1)); for i = 1 : k ctrs(i,:) = m(p(i),:); end idx = zeros(row,1);%idex is pointer of group while 1 d = dist2matrix(m,ctrs); [z,g] = min(d,[],2); if(g == idx) break; else idx = g; end %update ctroids for i = 1 : k v = find(g == i); if v ctrs(i,:) = mean(m(v,:),1); end end end end function [idx,ctrs] = my_kmeans(m,k) [row col] = size(m); %init k centr