三维聚类算法matlab代码并绘图

下面是一个使用K-Means算法进行三维聚类的Matlab代码，并将聚类结果用图形展示出来：

% 生成随机数据
data = rand(100, 3);

% 初始化K-Means模型
k = 3;
[idx, centers] = kmeans(data, k);

% 获取每个数据点所属的聚类标签
labels = idx;

% 获取每个聚类的中心点坐标
centers = centers;

% 绘制聚类结果图形
figure;
scatter3(data(:,1),data(:,2),data(:,3),10,labels);
hold on;
scatter3(centers(:,1),centers(:,2),centers(:,3),100,'k','filled');
title('K-Means Clustering Results');
xlabel('X');
ylabel('Y');
zlabel('Z');
legend('Cluster 1','Cluster 2','Cluster 3','Centroids');

在上面的代码中，我们使用Matlab的scatter3函数绘制了每个数据点，并用不同的颜色表示它们所属的聚类。同时，我们还用scatter3函数绘制了每个聚类的中心点，并用黑色实心圆表示。最后，我们添加了标题、坐标轴标签和图例，使图形更加清晰易懂。

相关问题

三维数据聚类matlab

以下是基于三维kemeans算法的三维点云数据聚类matlab仿真的示例：

1. 读取原始数据并初始化绘图参数

% 读取数据
A = load('data.txt');
% 初始化参数
X = A(:,1);
Y = A(:,2);
Z = A(:,3);
L = A(:,7);
lgs={'Powerline','Low vegetation','Impervioussurfaces','Car','Fence/Hedge','Roof','Facade','Shrub','Tree'};

2. 基于三维kemeans算法的三维点云数据聚类

% 使用kmeans算法进行三维数据聚类
data = [X, Y, Z];
[idx, C] = kmeans(data, 3); % 这里假设要聚类成3类
% 绘制聚类结果
figure;
scatter3(X,Y,Z,10,idx,'filled');
xlabel('X');
ylabel('Y');
zlabel('Z');
title('3D点云数据聚类结果');

层次聚类 maltab代码并绘图

下面是一个使用层次聚类算法进行三维聚类的Matlab代码，并将聚类结果用图形展示出来：

% 生成随机数据
data = rand(100, 3);

% 使用层次聚类算法进行聚类
Y = pdist(data);
Z = linkage(Y, 'ward');
T = cluster(Z, 'maxclust', 3);

% 绘制聚类结果图形
figure;
scatter3(data(:,1),data(:,2),data(:,3),10,T);
title('Hierarchical Clustering Results');
xlabel('X');
ylabel('Y');
zlabel('Z');

在上面的代码中，我们使用Matlab的pdist函数计算每两个数据点之间的距离，并将结果存储在Y变量中。然后，我们使用linkage函数计算层次聚类的结果，并将结果存储在Z变量中。最后，我们使用cluster函数将层次聚类的结果划分为3个聚类，并将结果存储在T变量中。然后，我们使用scatter3函数绘制了每个数据点，并用不同的颜色表示它们所属的聚类。同时，我们添加了标题、坐标轴标签，使图形更加清晰易懂。