kmeans聚类算法实例matlab

K-means聚类算法在Matlab中的一个简单实现如下：

% 设置聚类数量
k = 3;
% 随机生成数据
data = rand(100,2);
% 随机初始化聚类中心
centers = data(randperm(size(data,1),k),:);
% 开始迭代
while true
    % 计算每个数据点与聚类中心的距离
    distances = pdist2(data, centers);
    [~,labels] = min(distances,[],2);
    % 更新聚类中心
    new_centers = zeros(k,size(data,2));
    for i = 1:k
        members = data(labels == i, :);
        new_centers(i,:) = mean(members);
    end
    % 判断是否收敛
    if sum(sum((new_centers - centers).^2)) < 1e-6
        break;
    end
    centers = new_centers;
end

这是一个最基本的K-means算法的实现，你可以根据自己的需求对它进行修改。

相关问题

kmeans聚类算法matlab实例

MATLAB 中有一个 K-Means 聚类算法的示例代码，你可以在 MATLAB 帮助文档中找到：http://cn.mathworks.com/help/stats/kmeans.html。另外，你还可以参考 MATLAB 中的一个 K-Means 聚类算法的教程：http://www.mathworks.cn/cn/help/stats/kmeans-clustering-example.html。

kmeans聚类算法实例分析基于matlab

### KMeans聚类算法Matlab实例分析

#### 一、KMeans聚类简介
KMeans是一种广泛应用的无监督学习方法，用于解决分类问题。该算法旨在将n个观测值划分为k个簇，在每个簇中有一个中心点（质心），使得各个簇内的成员尽可能相似而不同簇之间的差异较大[^3]。

#### 二、Matlab内置函数实现KMeans
为了方便用户快速上手，Matlab提供了`kmeans()`这一便捷函数来执行标准形式下的K-Means操作。下面给出一段简单的例子说明如何利用此功能完成基本的数据分组任务：

% 加载样本数据集
load fisheriris;
X = meas;

% 应用kmeans进行三分类
[idx, C] = kmeans(X, 3);

% 可视化结果
figure;
gscatter(X(:,1), X(:,2), idx);
hold on;
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3);
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids');
title('Iris Data with Three Clusters');
xlabel('Petal Length (cm)');
ylabel('Petal Width (cm)');

上述代码片段展示了基于鸢尾花数据集的应用场景，其中包含了加载数据、调用`kmeans()`函数指定类别数量并获取索引向量idx及质心矩阵C两部分核心逻辑[^2]。

#### 三、自定义KMeans算法流程
除了直接运用现成接口外，深入理解整个计算过程同样重要。这里提供了一个较为完整的手动构建版本供参考：

function [centroids, assignments] = my_kmeans(data, num_clusters)
    % 初始化随机选取初始质心位置
    rng(0); % 设置种子保证可重复实验
    centroids = data(randperm(size(data, 1), num_clusters), :);
    
    prev_assignments = zeros(height(data), 1);
    while true
        distances = pdist2(data, centroids);
        [~, assignments] = min(distances,[],2);
        
        if isequal(assignments,prev_assignments)
            break; % 当分配不再变化时停止迭代
        end
        
        prev_assignments = assignments;
        for i=1:num_clusters
            mask =assignments==i;
            if any(mask)
                centroids(i,:) = mean(data(mask,:),1);
            end
        end
    end
end

这段脚本实现了从初始化到更新规则在内的全部环节，并且能够处理任意维度输入空间的情况。值得注意的是，为了避免陷入局部最优解，通常建议多次运行取最佳情况或是采用其他改进策略如K-means++来进行优化[^4]。