k均值算法代码

以下是Python实现的k均值算法代码：

import numpy as np

def kmeans(X, k, max_iters=100):
    # 随机选择k个中心点
    centers = X[np.random.choice(len(X), k, replace=False)]
    for i in range(max_iters):
        # 计算每个点到中心点的距离
        distances = np.sqrt(((X - centers[:, np.newaxis])**2).sum(axis=2))
        # 确定每个点属于哪个簇
        labels = np.argmin(distances, axis=0)
        # 更新中心点
        for j in range(k):
            centers[j] = X[labels==j].mean(axis=0)
    return labels, centers

其中，X为输入数据，k为簇的数量，max_iters为最大迭代次数。函数返回每个点所属的簇的标签和最终的中心点。

相关问题

MATLAB 三维K均值算法代码

以下是MATLAB实现的三维K均值算法代码示例：

% 生成随机数据
data = rand(100,3);

% 定义聚类数目 k
k = 3;

% 随机选择k个中心点
centers = data(randperm(size(data,1),k),:);

% 定义最大迭代次数
max_iter = 100;

% 迭代计算
for i = 1:max_iter
    % 计算每个数据点到中心点的距离
    distances = pdist2(data,centers);
    
    % 将每个数据点分配到最近的簇
    [~,labels] = min(distances,[],2);
    
    % 更新中心点
    for j = 1:k
        centers(j,:) = mean(data(labels == j,:));
    end
end

% 显示聚类结果
scatter3(data(:,1),data(:,2),data(:,3),15,labels,'filled')

其中，`pdist2`函数用于计算每个数据点到中心点的距离，`mean`函数用于计算每个簇的中心点。最后，使用`scatter3`函数将聚类结果可视化。

用matlab实现k均值算法代码

以下是一个示例k均值算法的MATLAB代码：

% 初始化数据
X = [randn(50,2)*0.75+ones(50,2);
randn(50,2)*0.5-ones(50,2)];

% 设定k
K = 2;

% 设定初始中心点
initial_centroids = [-1 -1; 1 1];

% 运行k-means算法
[centroids, idx] = runkMeans(X, initial_centroids, 10);

% 绘制结果
plotDataPoints(X, idx, K);
hold on;
plot(centroids(:,1), centroids(:,2), 'x', ...
'MarkerEdgeColor','k', ...
'MarkerSize', 10, 'LineWidth', 3);
hold off;

% 运行k-means算法的函数
function [centroids, idx] = runkMeans(X, initial_centroids, max_iters)

% 初始化一些变量
[m n] = size(X);
K = size(initial_centroids, 1);
centroids = initial_centroids;
previous_centroids = centroids;
idx = zeros(m, 1);

% 运行k-means算法
for i=1:max_iters

% 为每一个样本点分配最近的中心点
idx = findClosestCentroids(X, centroids);

% 计算新的中心点
centroids = computeCentroids(X, idx, K);

% 如果中心点不再改变，算法收敛
if (previous_centroids == centroids)
break;
end

% 更新前一次的中心点
previous_centroids = centroids;

end

end

% 计算每个样本点所属的最近的中心点
function idx = findClosestCentroids(X, centroids)

K = size(centroids, 1);
idx = zeros(size(X,1), 1);

% 遍历每个样本点
for i=1:size(X,1)
% 初始化最小距离和最小距离的中心点
min_dist = inf;
min_index = 0;

% 遍历每个中心点
for j=1:K
% 计算样本点到中心点的距离
dist = sum((X(i,:) - centroids(j,:)).^2);

% 如果距离更小，更新最小距离和最小距离中心点
if dist < min_dist
min_dist = dist;
min_index = j;
end
end

% 将样本点分配到最近的中心点
idx(i) = min_index;
end

end

% 计算新的中心点
function centroids = computeCentroids(X, idx, K)

[m n] = size(X);
centroids = zeros(K, n);

% 遍历每个中心点
for i=1:K
% 找到所有分配到这个中心点的样本点
indices = find(idx == i);

% 计算这些样本点的平均值，作为新的中心点
centroids(i,:) = mean(X(indices,:));
end

end

% 绘制数据点和中心点
function plotDataPoints(X, idx, K)

colors = hsv(K);

% 遍历每个中心点
for i=1:K
% 找到所有分配到这个中心点的样本点
indices = find(idx == i);

% 绘制这些样本点
scatter(X(indices,1), X(indices,2), 15, colors(i,:), 'filled');
end

end