k-means坐标聚类算法matlab

以下是一个简单的k-means坐标聚类算法的matlab实现：

% 设置k值和迭代次数
k = 3;
max_iter = 10;

% 生成随机数据点
data = randn(100,2);

% 初始化聚类中心
centers = data(randperm(size(data,1),k),:);

% 迭代聚类
for iter=1:max_iter
    % 计算每个样本点到每个聚类中心的距离
    distances = pdist2(data,centers);

    % 寻找每个样本点离哪个聚类中心最近
    [~,labels] = min(distances,[],2);

    % 更新聚类中心
    for i=1:k
        centers(i,:) = mean(data(labels==i,:),1);
    end
end

% 绘制聚类结果
scatter(data(:,1),data(:,2),[],labels)
hold on
scatter(centers(:,1),centers(:,2),100,'k','filled')

该代码生成100个随机数据点，然后使用k-means算法将它们分为3个聚类。在每次迭代中，它计算每个点到每个聚类中心的距离，并将每个点分配到离它最近的聚类中心。然后，它更新聚类中心以反映分配给它们的所有点的平均位置。最后，它绘制聚类结果。

相关问题

k-means地理坐标聚类算法matlab

1. 数据准备
首先，我们需要准备一些地理坐标数据。这里我们使用一个包含1000个地理坐标的数据集，保存在一个名为“coords.mat”的文件中。

2. 导入数据
我们使用Matlab的load函数导入数据，将数据保存在一个名为“coords”的变量中。代码如下：

load('coords.mat');
coords = coords';

这里需要注意的是，我们需要将数据转置一下，使得每个地理坐标保存在一行中。

3. 初始化聚类中心
接下来，我们需要随机地初始化k个聚类中心。这里我们选择k=5，即将数据集分成5类。初始化聚类中心的代码如下：

k = 5;
idx = randperm(size(coords, 1));
centroids = coords(idx(1:k), :);

4. 迭代更新聚类中心
接下来，我们需要迭代更新聚类中心，直到聚类中心不再变化为止。在每一轮迭代中，我们需要将每个地理坐标分配到最近的聚类中心所在的类别中，并更新聚类中心的坐标。代码如下：

max_iters = 10;
for i=1:max_iters
% 计算每个地理坐标与各个聚类中心的距离
dists = pdist2(coords, centroids);
% 将每个地理坐标分配到最近的聚类中心所在的类别中
[~, idx] = min(dists, [], 2);
% 更新聚类中心的坐标
for j=1:k
centroids(j, :) = mean(coords(idx==j, :), 1);
end
end

5. 可视化聚类结果
最后，我们可以将聚类结果可视化出来。代码如下：

colors = {'r', 'g', 'b', 'c', 'm'};
figure;
hold on;
for i=1:k
scatter(coords(idx==i, 1), coords(idx==i, 2), 10, colors{i}, 'filled');
end
scatter(centroids(:, 1), centroids(:, 2), 50, 'k', 'filled');
hold off;

运行完整的代码后，我们可以得到如下的聚类结果：


k-means聚类算法MATLAB

### K-Means 聚类算法在 MATLAB 中的应用

K-means 是一种常用的无监督学习方法，用于将数据集划分为若干个簇。该算法通过迭代优化过程最小化各簇内样本之间的距离平方和。

#### 数据准备
首先需要准备好输入的数据矩阵 `X`，其中每一行代表一个观测点，每列对应不同的特征维度[^2]。

#### 初始化参数
设定所需的簇数量 k 并随机初始化质心位置作为起始条件：

% 假设已知要分成3类
k = 3;
% 随机选取初始质心
initialCentroids = X(randperm(size(X, 1), k), :);

#### 迭代更新质心
定义一个循环来进行多次迭代直到收敛为止，在每次迭代过程中重新分配各个样本到最近的质心并调整新的质心坐标：

function [centroids, idx] = runKMeans(X, initial_centroids, max_iters)
    m = size(X, 1);       % 获取样本总数
    n = size(X, 2);        % 特征数
    
    centroids = initial_centroids;     % 初始质心设置
    previous_centroids = zeros(size(centroids));
    
    for iter = 1:max_iters
        % 计算每个样本离哪个质心更近，并记录下标idx
        [~, idx] = min(sum((bsxfun(@minus, X, centroids). ^ 2), 2));  
        
        % 更新质心的位置
        for i = 1:size(centroids, 1)
            centroids(i,:) = mean(X(idx==i,:), 1);
        end
        
        % 如果新旧质心不再变化，则提前结束
        if sum(abs(centroids - previous_centroids)) == 0
            break;
        else
            previous_centroids = centroids;
        end
    end
end

这段代码实现了基于向量化的高效运算方式来代替显式的双重for-loop结构，从而提高了执行速度[^1]。

#### 可视化结果
最后利用MATLAB内置图形绘制功能展示最终形成的分类情况以及对应的质心分布状况:

figure;
scatter(dataSet(:, 1), dataSet(:, 2), 36, closestCentroids, 'filled');
title('KMS Clustering Results');
xlabel('Feature 1');
ylabel('Feature 2');
legend('Cluster Center');
hold on;
plot(centroids(:, 1), centroids(:, 2), 'ko', 'MarkerSize', 12, 'LineWidth', 3);
hold off;

上述命令会创建散点图并将不同类别用颜色区分出来，同时标记出各自的中心点以便观察效果[^3]。