二维kmeans聚类算法matlab

b'\xe4\xba\x8c\xe7\xbb\xb4kmeans\xe8\x81\x9a\xe7\xb1\xbb\xe7\xae\x97\xe6\xb3\x95matlab' 的意思是“用Matlab实现二维K-means聚类算法”。

相关问题

kmeans聚类算法 matlab代码

以下是一个简单的kmeans聚类算法的matlab代码示例：

% 生成100个二维随机数据点
data = rand(100,2);

% 设置聚类个数为3
k = 3;

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

% 最大迭代次数
max_iter = 100;

% 初始化变量
iter = 0;
old_centroids = zeros(size(centroids));

while ~isequal(centroids, old_centroids) && iter < max_iter
    % 保存上一次迭代的聚类中心
    old_centroids = centroids;
    
    % 计算每个数据点到聚类中心的距离
    dists = pdist2(data, centroids);
    
    % 将每个数据点分配到距离最近的聚类中心
    [~, idx] = min(dists, [], 2);
    
    % 更新聚类中心为每个聚类的平均值
    for i = 1:k
        centroids(i,:) = mean(data(idx == i,:), 1);
    end
    
    % 迭代次数加1
    iter = iter + 1;
end

% 将数据点按照聚类分配结果绘制散点图
figure;
scatter(data(idx==1,1), data(idx==1,2), 'r');
hold on;
scatter(data(idx==2,1), data(idx==2,2), 'g');
scatter(data(idx==3,1), data(idx==3,2), 'b');
scatter(centroids(:,1), centroids(:,2), 'k', 'filled');
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids');

这段代码首先生成了100个二维随机数据点，然后使用kmeans聚类算法将它们分成了3个簇。最后将数据点按照聚类结果绘制了散点图，并用黑色实心圆表示每个聚类的中心。

kmeans聚类算法matlab代码

以下是使用MATLAB实现k-means聚类算法的示例代码：

% 生成数据集
X = [randn(100,2)*0.75+ones(100,2);
     randn(100,2)*0.5-ones(100,2)];

% 设置聚类的数量
K = 2;

% 随机初始化聚类中心
initial_centroids = X(randperm(size(X,1), K), :);

% 运行k-means算法
max_iters = 10;
[centroids, idx] = kmeans(X, K, 'MaxIter', max_iters, 'Start', initial_centroids);

% 可视化聚类结果
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);
legend('Cluster 1', 'Cluster 2', 'Centroids');
title(sprintf('K-Means Clustering (K = %d, Max Iters = %d)', K, max_iters));

注释：此代码首先生成一个二维数据集，然后使用`kmeans`函数将数据集划分为`K`个簇，最后绘制聚类结果的可视化图像。`initial_centroids`参数是聚类中心的初始值，`max_iters`参数是算法的最大迭代次数，`idx`向量包含每个数据点所属的簇的索引，`centroids`矩阵包含每个簇的中心点坐标。