c均值聚类算法matlab

以下是一个简单的C均值聚类算法的MATLAB代码示例：

% 生成随机数据
data = rand(100,2);

% 设置初始聚类中心点
k = 3;
centers = rand(k,2);

while true
    % 计算每个数据点属于哪个聚类中心
    distances = pdist2(data, centers);
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心点
    new_centers = zeros(k, 2);
    for i = 1:k
        new_centers(i,:) = mean(data(labels == i,:));
    end
    
    % 判断聚类中心是否变化
    if isequal(centers, new_centers)
        break;
    end
    
    centers = new_centers;
end

% 可视化结果
scatter(data(:,1), data(:,2), [], labels, 'filled');

此代码实现了一个简单的C均值聚类算法，使用随机数据生成了3个聚类中心点，并通过迭代计算每个数据点属于哪个聚类中心，并更新聚类中心点，直到聚类中心点不再变化为止。最后，通过可视化展示了聚类结果。

相关问题

模糊c均值聚类算法matlab代码

模糊C均值聚类（Fuzzy C-means Clustering）算法在模式识别和数据挖掘中是一种比较常用的聚类算法。该算法基于最小均方误差的原则，通过对每个样本点进行隶属度计算来进行聚类。在聚类过程中，每个样本点可被归入多个聚类中。

Matlab代码实现模糊C均值聚类算法：

1、 初始化参数：隶属度矩阵U，聚类中心矩阵C，迭代次数k，终止误差tolerance。

2、 对每个样本点计算其对每个聚类中心的隶属度。

3、 根据隶属度和样本点的权值，更新聚类中心。

4、 对于每个样本点计算其隶属度的变化量，如果小于tolerance则停止迭代，否则继续迭代。

5、 返回聚类结果。

Matlab代码：

function [C, U, objFun] = fcm(data, cluster_n, m, tolerance, max_iter)  
% 输入参数：data为样本数据，cluster_n为聚类中心数量，m为隶属度常数，tolerance为终止误差，max_iter为最大迭代次数。
% 输出参数：C为聚类中心矩阵，U为隶属度矩阵，objFun为目标函数的值。

[n, m] = size(data);
U = rand(n, cluster_n); 
U = bsxfun(@rdivide, U, sum(U,2));
C = rand(cluster_n, m);
iter = 0;
objFun = zeros(max_iter, 1);
while iter < max_iter
    U2 = U .^ m;
    C = U2' * data ./ sum(U2)';
    dist = repmat(sum(data.^2, 2), 1, cluster_n) + repmat(sum(C.^2, 2)', n, 1) - 2 * data * C';
    objFun(iter+1) = sum(sum((dist.^2).*U2));
    if iter > 0
        if abs(objFun(iter+1) - objFun(iter)) < tolerance
            break;
        end
    end
    d = dist .^ (-2/(m-1));
    U = d ./ repmat(sum(d, 2), 1, cluster_n);
    iter = iter + 1;
end
objFun(iter+1:end) = [];

该代码实现了模糊C均值聚类算法的主要步骤，通过对输入参数的设定计算出聚类中心和隶属度矩阵。

模糊c均值聚类算法matlab

以下是使用Matlab实现模糊c均值聚类算法的示例代码：

% 输入数据
data = [1 2; 1.5 1.8; 5 8; 8 8; 1 0.6; 9 11];

% 设定聚类数量和迭代次数
c = 2;
maxIter = 100;

% 初始化隶属度矩阵
m = 2;
U = rand(size(data, 1), c);
U = U ./ sum(U, 2);

% 迭代求解聚类中心和隶属度
for i = 1:maxIter
    % 计算聚类中心
    centers = (U.^m)' * data ./ sum(U.^m)';
    
    % 计算距离矩阵
    dists = pdist2(data, centers);
    
    % 更新隶属度矩阵
    U = 1 ./ dists.^2;
    U = U ./ sum(U, 2);
    
    % 判断是否收敛
    if norm(U - Uold) < 1e-6
        break;
    end
    
    Uold = U;
end

% 输出聚类结果
[~, labels] = max(U, [], 2);
disp(labels);

上述代码输入了一个6个样本点的二维数据集，设定了聚类数量为2，最大迭代次数为100。算法首先随机初始化隶属度矩阵U，然后迭代求解聚类中心和隶属度。在每轮迭代中，先计算聚类中心，然后计算每个样本点与每个聚类中心的距离，根据距离更新隶属度矩阵。最后输出每个样本点所属的聚类标签。