k-means算法文本 matlab

以下是使用 MATLAB 实现 k-means 算法的示例代码：

假设我们有一组文本数据，我们将使用 k-means 算法将其聚类为 k 个簇。

首先，我们需要将文本数据转换为数值特征向量表示。这里我们使用词袋模型，将每个文档表示为一个词频向量。

% 假设我们有 N 个文档，每个文档包含 M 个词汇
% 词汇表大小为 V
N = 100;
M = 500;
V = 1000;

% 生成随机文本数据
data = randi([0, 10], N, M);
words = randi([1, V], 1, M);

% 将文本数据转换为词频向量表示
tfidf_data = tfidf(data);

接下来，我们可以使用 k-means 算法进行聚类。这里我们使用 MATLAB 内置的 `kmeans` 函数。

% 聚类数为 k
k = 5;

% 运行 k-means 算法
[idx, centers] = kmeans(tfidf_data, k);

最后，我们可以对聚类结果进行可视化展示。

% 可视化聚类结果
gscatter(tfidf_data(:,1), tfidf_data(:,2), idx);
hold on;
plot(centers(:,1), centers(:,2), 'k*', 'MarkerSize', 10);
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Cluster 4', 'Cluster 5', 'Centroids');

完整的 k-means 算法示例代码：

% 假设我们有 N 个文档，每个文档包含 M 个词汇
% 词汇表大小为 V
N = 100;
M = 500;
V = 1000;

% 生成随机文本数据
data = randi([0, 10], N, M);
words = randi([1, V], 1, M);

% 将文本数据转换为词频向量表示
tfidf_data = tfidf(data);

% 聚类数为 k
k = 5;

% 运行 k-means 算法
[idx, centers] = kmeans(tfidf_data, k);

% 可视化聚类结果
gscatter(tfidf_data(:,1), tfidf_data(:,2), idx);
hold on;
plot(centers(:,1), centers(:,2), 'k*', 'MarkerSize', 10);
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Cluster 4', 'Cluster 5', 'Centroids');