Ｋ－ｍｅａｎｓ算法的matlab代码

K-means算法是一种常用的无监督机器学习方法，用于数据聚类。在MATLAB中，你可以使用内置的`kmeans`函数来实现这个过程。以下是一个简单的例子：

% 导入数据（这里假设数据存储在一个名为data的矩阵中）
data = load('your_data_file.mat'); % 请替换为实际文件路径

% 设置聚类数量K
K = 3; % 假设我们想要将数据分为3类

% 初始化聚类中心（可以选择随机或指定位置）
initialCentroids = randperm(size(data, 1), K); % 随机选择K个点作为初始中心

% 运行K-means
[idx, centroids] = kmeans(data, K, 'InitialCenters', initialCentroids);

% idx是每个数据点所属的簇标签，centroids是最终的聚类中心

这里，`kmeans`函数的参数解释：
- `data`: 输入的数据集。
- `K`: 要划分的簇的数量。
- `'InitialCenters'`: 设置初始聚类中心。这里用`randperm`随机选取。

运行完上述代码后，`idx`就是数据点分配给各个簇的标签，`centroids`则是最终聚类中心的位置。

相关问题

K-means算法matlab代码

以下是一个简单的K-means算法的MATLAB实现代码：

function [centroids, idx] = kMeans(X, K, max_iters)
% X是数据矩阵，每行代表一个数据点
% K是聚类中心数
% max_iters是最大迭代次数

[m, n] = size(X);

% 初始化聚类中心
centroids = X(randperm(m, K), :);

% 初始化idx
idx = zeros(m, 1);

for i = 1:max_iters
    % 计算每个样本点到聚类中心的距离
    dists = pdist2(X, centroids);
    % 分配每个样本点到最近的聚类中心
    [~, idx] = min(dists, [], 2);
    % 更新聚类中心
    for j = 1:K
        centroids(j, :) = mean(X(idx == j, :), 1);
    end
end

end

这个函数接受三个输入参数：数据矩阵X、聚类中心数K和最大迭代次数max_iters。它返回两个输出参数：聚类中心centroids和每个数据点所属的聚类idx。

在这个实现中，我们使用pdist2函数计算每个数据点到每个聚类中心的距离，然后使用min函数找到每个数据点所属的最近的聚类中心。最后，我们使用mean函数更新每个聚类中心的位置。

你可以使用以下代码来测试这个函数：

% 生成一些随机数据
X = [randn(100,2)*0.75+ones(100,2);
     randn(100,2)*0.5-ones(100,2)];

% 运行K-means算法
K = 2;
max_iters = 10;
[centroids, idx] = kMeans(X, K, max_iters);

% 绘制聚类结果
figure;
plot(X(idx==1,1), X(idx==1,2), 'r.', 'MarkerSize', 12);
hold on;
plot(X(idx==2,1), X(idx==2,2), 'b.', 'MarkerSize', 12);
plot(centroids(:,1), centroids(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3);
hold off;
legend('Cluster 1', 'Cluster 2', 'Centroids');

这个代码会生成100个点，其中一半分布在以(1,1)为中心的正态分布中，另一半分布在以(-1,-1)为中心的正态分布中。然后，我们使用K-means算法将这些点聚为两类，并绘制聚类结果。

密度参数·改进k-means算法matlab代码

以下是一个使用密度参数改进的k-means算法的MATLAB代码：

function [IDX, C] = kmeans_density(X, k, rho)
% kmeans_density: 密度参数改进的k-means算法
% 输入：
%   X: n*d的数据矩阵，n为样本数，d为特征维数
%   k: 聚类数
%   rho: 密度参数
% 输出：
%   IDX: n*1的向量，表示每个样本所属的簇
%   C: k*d的矩阵，表示每个簇的中心
% 使用样例：
%   [IDX, C] = kmeans_density(X, 3, 0.5);

[n, d] = size(X);
IDX = zeros(n, 1);
C = X(1:k, :);

while true
    preIDX = IDX;
    % 计算每个样本到各个中心的距离
    D = pdist2(X, C);
    % 计算每个样本到最近中心的距离
    [minD, minIdx] = min(D, [], 2);
    
    % 根据密度参数rho选择簇心
    for i = 1:k
        idx = find(minIdx == i);
        if numel(idx) > rho * n
            C(i, :) = mean(X(idx, :));
        end
    end
    
    IDX = minIdx;
    % 判断是否收敛
    if isequal(IDX, preIDX)
        break;
    end
end

其中，密度参数rho表示每个簇中所包含的样本数与总样本数的比例，如果大于rho的簇才会被更新中心点。