什么是聚类？聚类的分类和例子

聚类是一种无监督学习的算法，其目标是将样本分成若干个群组，让同一组中的样本彼此相似，不同组之间的样本尽可能不同。常见的聚类算法包括K-means、DBSCAN、层次聚类等。例如，如果我们要对一个公司的客户进行聚类，可以根据他们的购买行为、地理位置、社交网络等因素将其分为不同的群组，以便于针对不同群组制定不同的营销策略。

相关问题

k-means聚类例子

假设我们有以下数据集：

X = [[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]

我们想要将这些数据分为两个簇。以下是使用k-means聚类算法的Python代码：

from sklearn.cluster import KMeans

# 定义聚类数为2
kmeans = KMeans(n_clusters=2)

# 将数据拟合到模型中
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_
print(labels)

输出：

[1 1 1 0 0 0]

可以看到，k-means算法将数据集分成了两个簇，标签为0和1。我们还可以通过以下代码获取簇的中心：

centers = kmeans.cluster_centers_
print(centers)

输出：

[[4.         2.        ]
 [1.         2.        ]]

其中，第一个簇的中心为[4, 2]，第二个簇的中心为[1, 2]。

kmeans聚类算法matlab例子

以下是一个基于MATLAB的K-means聚类算法的例子：

data = [1 1; 2 1; 1 2; 2 2; 4 4; 5 4; 4 5; 5 5]; % 数据集
cluster_num = 2; % 聚类数量

[m, n] = size(data);
cluster = data(randperm(m, cluster_num), :); % 随机选择聚类中心

epoch_max = 1000; % 最大迭代次数
therad_lim = 0.001; % 中心变化阈值
epoch_num = 0;

while(epoch_num < epoch_max)
    epoch_num = epoch_num + 1;

    % 计算每个点到各聚类中心的欧氏距离
    distance1 = sqrt(sum((data - reshape(cluster, 1, cluster_num, n)).^2, 3));

    [~, index_cluster] = min(distance1, [], 2); % 分配到最近的聚类中心

    % 计算新的聚类中心
    for j = 1:cluster_num
        cluster_new(j, :) = mean(data(index_cluster == j, :));
    end

    % 如果新的聚类中心和上一轮的聚类中心之间的距离和大于阈值，则更新聚类中心；否则算法结束
    if (sqrt(sum((cluster_new - cluster).^2)) > therad_lim)
        cluster = cluster_new;
    else
        break;
    end
end

% 输出结果
index_cluster
cluster