样本 ch(1) ch(2) ch(3) ch(4) ch(5) ch(6) ch(7) ch(8) ch(9) ch(10) 1 0.0738 0.0591 0.1807 0.4878 1.2491 2.4493 3.0594 3.4327 60.48 5.5735 2 0.0716 0.058 0.1888 0.3631 1.2329 2.6384 3.2528 3.6339 59.4384 5.2443 3 0.0741 0.0593 0.1887 0.424 1.2489 2.5474 3.1814 3.5536 60.741 5.6196 4 0.2349 0.1853 0.7751 0.5921 1.2677 3.2995 4.1829 4.7204 189.743 56.5064 5 0.2347 0.1882 0.7996 0.5072 1.2473 3.4064 4.2487 4.7622 192.7219 56.4277 6 0.2344 0.1862 0.691 0.5508 1.2589 2.9488 3.7122 4.174 190.6255 56.2391 7 0.089 0.0708 0.2657 0.4973 1.2571 2.9862 3.754 4.2355 72.4634 8.1037 8 0.0915 0.0727 0.2621 0.5454 1.2585 2.8639 3.6043 4.0696 74.4522 8.574 9 0.0934 0.0752 0.2652 0.4229 1.2431 2.8393 3.5295 3.9522 76.9538 8.9364 10 0.187 0.1468 0.6369 0.6141 1.2742 3.4052 4.3389 4.9341 150.3132 35.8228 11 0.1884 0.1466 0.6875 0.6928 1.2855 3.6486 4.6904 5.3807 150.0823 36.3524 12 0.1816 0.1436 0.6084 0.5661 1.2644 3.3502 4.2359 4.8093 147.0644 33.7659用 MATLAB 编写的,将以上数据进行聚类,并可视化聚类结果。
时间: 2023-08-10 10:05:00 浏览: 32
可以使用 MATLAB 中的 `kmeans` 函数进行聚类,具体代码如下:
```
data = [0.0738 0.0591 0.1807 0.4878 1.2491 2.4493 3.0594 3.4327 60.48 5.5735;
0.0716 0.058 0.1888 0.3631 1.2329 2.6384 3.2528 3.6339 59.4384 5.2443;
0.0741 0.0593 0.1887 0.424 1.2489 2.5474 3.1814 3.5536 60.741 5.6196;
0.2349 0.1853 0.7751 0.5921 1.2677 3.2995 4.1829 4.7204 189.743 56.5064;
0.2347 0.1882 0.7996 0.5072 1.2473 3.4064 4.2487 4.7622 192.7219 56.4277;
0.2344 0.1862 0.691 0.5508 1.2589 2.9488 3.7122 4.174 190.6255 56.2391;
0.089 0.0708 0.2657 0.4973 1.2571 2.9862 3.754 4.2355 72.4634 8.1037;
0.0915 0.0727 0.2621 0.5454 1.2585 2.8639 3.6043 4.0696 74.4522 8.574;
0.0934 0.0752 0.2652 0.4229 1.2431 2.8393 3.5295 3.9522 76.9538 8.9364;
0.187 0.1468 0.6369 0.6141 1.2742 3.4052 4.3389 4.9341 150.3132 35.8228;
0.1884 0.1466 0.6875 0.6928 1.2855 3.6486 4.6904 5.3807 150.0823 36.3524;
0.1816 0.1436 0.6084 0.5661 1.2644 3.3502 4.2359 4.8093 147.0644 33.7659];
[idx, C] = kmeans(data, 3);
figure
gscatter(data(:, 1), data(:, 2), idx)
title('聚类结果')
figure
gscatter(data(:, 3), data(:, 4), idx)
title('聚类结果')
figure
gscatter(data(:, 5), data(:, 6), idx)
title('聚类结果')
figure
gscatter(data(:, 7), data(:, 8), idx)
title('聚类结果')
figure
gscatter(data(:, 9), data(:, 10), idx)
title('聚类结果')
```
其中,数据被存储在 `data` 数组中,每行代表一个样本,每列代表一个特征。使用 `kmeans` 函数进行聚类,将聚类结果存储在 `idx` 数组中,同时计算出聚类中心,存储在 `C` 数组中。
然后,使用 `gscatter` 函数将不同类别的样本用散点图表示在不同的颜色中,分别绘制每两个特征之间的散点图,最终得到 5 张图像,每张图像表示对应两个特征的聚类结果。
相关推荐
![](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pptx](https://img-home.csdnimg.cn/images/20210720083543.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)