K均值聚类算法的MATLAB实现

　　K-means算法是最简单的一种聚类算法。算法的目的是使各个样本与所在类均值的误差平方和达到最小（这也是评价K-means算法最后聚类效果的评价标准）

　　K-means聚类算法的一般步骤：

　　初始化。输入基因表达矩阵作为对象集X，输入指定聚类类数N，并在X中随机选取N个对象作为初始聚类中心。设定迭代中止条件，比如最大循环次数或者聚类中心收敛误差容限。

　　进行迭代。根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类。初始化隶属度矩阵。

　　更新聚类中心。然后以每一类的平均向量作为新的聚类中心，重新分配数据对象。

　　反复执行第二步和第三步直至满足中止条件。

　　K-均值聚类法的概述

　　之前在参加数学建模的过程中用到过这种聚类方法，但是当时只是简单知道了在matlab中如何调用工具箱进行聚类，并不是特别清楚它的原理。最近因为在学模式识别，又重新接触了这种聚类算法，所以便仔细地研究了一下它的原理。弄懂了之后就自己手工用matlab编程实现了，最后的结果还不错，嘿嘿~~~

　　简单来说，K-均值聚类就是在给定了一组样本（x1， x2，。。.xn）（xi， i = 1， 2，。。。 n均是向量）之后，假设要将其聚为 m（《n）类，可以按照如下的步骤实现：

　　Step 1：从（x1， x2，。。.xn）中随机选择 m 个向量（y1，y2，。。.ym）作为初始的聚类中心（可以随意指定，不在n个向量中选择也可以）;

　　Step 2：计算（x1， x2，。。.xn）到这 m 个聚类中心的距离（严格来说为 2阶范数）;

　　Step 3：对于每一个 xi（i = 1，2，。。.n）比较其到（y1，y2，。。.ym）距离，找出其中的最小值，若到 yj 的距离最小，则将 xi 归为第j类;

　　Step 4： m 类分好之后，计算每一类的均值向量作为每一类新的聚类中心;

　　Step 5：比较新的聚类中心与老的聚类中心之间的距离，若大于设定的阈值，则跳到 Step2; 否则输出分类结果和聚类中心，算法结束。

　　单介绍下kmeans算法流程：

　　假设要把样本集分为c个类别，算法描述如下：

　　（1）适当选择c个类的初始中心；

　　（2）在第k次迭代中，对任意一个样本，求其到c各中心的距离，将该样本归到距离最短的中心所在的类；

　　（3）利用均值等方法更新该类的中心值；

　　（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。

　　该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。

　　matlab实现：

　　function ［ class count］=k_means（data，k）;

　　%clear

　　%load testdata.mat

　　%k=2;

　　sum=size（data，1）;

　　for i=1:k

　　centroid（i，：）=data（floor（sum/k）*（i-1）+1，：）;

　　end

　　tic

　　ck=0;

　　while 1

　　temp=zeros（1，2）;;

　　count=zeros（1，k）;

　　ck=ck+1

　　for i=1:sum

　　for j=1:k

　　dist（j）=norm（data（i，：）-centroid（j，：））;

　　end

　　［a min_dist］=min（dist）;

　　count（min_dist）=count（min_dist）+1;

　　class（min_dist，count（min_dist））=i;

　　end

　　%重新计算类中心

　　for i=1:k

　　for j=1:count（i）

　　temp=temp+data（class（i，j），：）;

　　end

　　temp_centroid（i，：）=temp/（count（i））;

　　temp（1，：）=0;

　　% temp_centroid（i，：）=re_calculate（class（i，：），count（i），tdata）;

　　end

　　%计算新的类中心和原类中心距离centr_dist;

　　for i=1:k

　　centr_dist（i）=norm（temp_centroid（i，：）-centroid（i，：））;

　　end

　　if max（centr_dist）《=0

　　break;

　　else

　　for i=1:k

　　centroid（i，：）=temp_centroid（i，：）;

　　%重新进行前俩不

　　end

　　toc

阅读全文

12 3 下一页全文

本文导航

第 1 页：K均值聚类算法的MATLAB实现
第 2 页：功能截图
第 3 页：K-means面临的问题以及解决办法

matlab(227703) matlab(227703)
均值聚类(6740) 均值聚类(6740)

如何在 Python 中安装和使用顶级聚类算法

有许多聚类算法可供选择，对于所有情况，没有单一的最佳聚类算法。相反，最好探索一系列聚类算法以及每种算法的不同配置。在本教程中，你将发现如何在 python 中安装和使用顶级聚类算法。

2023-05-22 09:13:55

171

10种顶流聚类算法Python实现（附完整代码）

分享一篇关于聚类的文章：10种聚类算法和Python代码。

2023-01-07 09:33:38

566

K-means聚类算法指南

在聚类技术领域中，K-means可能是最常见和经常使用的技术之一。K-means使用迭代细化方法，基于用户定义的集群数量（由变量K表示）和数据集来产生其最终聚类。例如，如果将K设置为3，则数据集将分组为3个群集，如果将K设置为4，则将数据分组为4个群集，依此类推。

2022-10-28 14:25:21

499

基于距离的聚类算法K-means的设计实现

K-means 算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，两个对象的距离越近，其相似度就越大。而簇是由距离靠近的对象组成的，因此算法目的是得到紧凑并且独立的簇。

2022-07-18 09:19:13

1438

K-MEANS聚类算法概述及工作原理

K-means 是一种聚类算法，且对于数据科学家而言，是简单且热门的无监督式机器学习(ML)算法之一。

2022-06-06 11:53:55

2540

FCM聚类算法用于医学图像分割matlab源程序

FCM聚类算法以及改进模糊聚类算法用于医学图像分割的matlab源程序

2018-05-11 23:30:42

基于模糊C均值聚类的软件多缺陷定位方法

2021-06-02 14:38:41

基于密度的改进K-均值聚类组合方法

为构建行驶工况，消除K均值算法对初始聚类中心的敏感性及噪声点的干扰，提岀一种改进主成分分析和基于密度的改进k-均值聚类组合方法。结合距离优化法和密度法，构建一种数据集密度度量方法。选取距离较大、密度

2021-05-31 11:16:08

基于最优传输距离和聚类的WSN分簇算法

簇控制在最优传输距离内，实现簇内节点的能耗均衡。通过目标函数对K- means聚类簇进行优化，保证簇内节点数目的均匀分布，并在考虑剩余能量和地理位置的基础上完成节点数据传输。实验结果表明，该算法在均衡网络能耗的同时，可有效延长网络生命

2021-05-26 14:50:17

使用新的距离度量方式的增量式聚类算法

针对含有噪声的高维数据的聚类问题，提岀一种使用新的距离度量方式的増量式聚类算法 ANFCM（cp）。由于传统的模糊C均值聚类算法对初始化聚类中心比较敏感，所提岀的聚类算法将单程FCM的増量机制（称为

2021-05-12 15:20:51

基于混合蛙跳算法的K-mediods聚类算法

为了降低K- mediods聚类算法的误差并提高并行优化的性能，将混合蛙跳算法运用于聚类和并行优化过程。在Kmediods聚类过程中，将K- mediods与聚类簇思想相结合，对各个聚类簇进行混合

2021-05-08 16:17:18

一种基于密度的改进k-均值聚类组合方法

为构建行驶工况，消除K-均值算法对初始聚类中心的敏感性及噪声点的干扰，提岀一种改进主成分分析和基于密度的改进K-均值聚类组合方法。结合距离优化法和密度法，构建一种数据集密度度量方法。选取距离较大

2021-04-16 15:36:00

一种自适应的关联融合聚类算法

除边界点和噪声点对聚类结果的影响。引入关联度矩阵，通过计算类簇间的关联程度和融合度量，选取最优关联簇进行融合得到最终聚类结果。实验结果表明，该算法无需人工设置聚类参数，并且与基于密度的空间聚类算法和K均值聚类算法

2021-04-01 16:16:49

针对高维稀疏数据的可重叠子空间K-Means聚类算法

子空间并定义合理的约東函数指导聚类过程，从而实现类簇的可重叠性与离群点的控制。在此基础上定义合理的目标函数对传统K- Means算法进行修正，利用熵权约東分别计算每个类簇中各维度的权重，使用权重值标识不同类簇中维度的相对重要性，

2021-03-25 14:07:10

一种改进的聚类联合相似度推荐算法

度推荐算法。采用改进的蜂群算法来优化K- means++聚类的中心点，使聚类中心在整个数据内达到最优，并对聚类结果进行集成，使得聚类得到进一步优化。根据聚类结果，在同一类中采用改进的用户相似度算法来优化传统相似度算法，

2021-03-18 11:17:11

如何在python中安装和使用顶级聚类算法?

聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的有趣模式，例如基于其行为的客户群。有许多聚类算法可供选择，对于所有情况，没有单一的最佳聚类算法。相反，最好探索一系列聚类算法

2021-03-12 18:23:43

1828

100天搞定机器学习：day54 聚类系列：层次聚类原理及案例

几张GIF理解K-均值聚类原理k均值聚类数学推导与python实现前文说了k均值聚类，他是基于中心的聚类方法，通过迭代将样本分到k个类中，使...

2020-12-10 21:56:09

216

常见的几种聚类算法

这一最著名的聚类算法主要基于数据点之间的均值和与聚类中心的聚类迭代而成。它主要的优点是十分的高效，由于只需要计算数据点与剧类中心的距离，其计算复杂度只有O（n）。

2020-04-15 15:23:29

14904

正确选择聚类算法的建议

聚类算法十分容易上手，但是选择恰当的聚类算法并不是一件容易的事。

2020-03-15 17:10:00

1663

如何使用K-Means聚类算法改进的特征加权算法详细资料概述

聚类分析是将研究对象分为相对同质的群组的统计分析技术，聚类分析的核心就是发现有用的对象簇。K-means聚类算法由于具有出色的速度和良好的可扩展性，一直备受广大学者的关注。然而，传统的K

2018-12-20 10:28:29

如何使用差分隐私保护进行谱聚类算法

中，干扰样本个体之间的权重值，实现样本个体间的信息隐藏以达到隐私保护的目的。通过UCI数据集上的仿真实验，表明该算法能够在一定的信息损失度范围内实现有效的数据聚类，也可以对聚类数据进行保护。

2018-12-14 10:54:26

如何使用多维网格空间进行改进K-means聚类算法资料概述

K-means算法是被广泛使用的一种聚类算法，传统的-means算法中初始聚类中心的选择具有随机性，易使算法陷入局部最优，聚类结果不稳定。针对此问题，引入多维网格空间的思想，首先将样本集映射到一个

2018-12-13 17:56:55

如何使用概率模型进行非均匀数据聚类算法的设计介绍

针对传统K-means型算法的“均匀效应”问题，提出一种基于概率模型的聚类算法。首先，提出一个描述非均匀数据簇的高斯混合分布模型，该模型允许数据集中同时包含密度和大小存在差异的簇；其次，推导了非均匀

2018-12-13 10:57:59

使用模拟退火与贪心策略的平衡聚类算法的介绍

）2个步骤，以提高平衡聚类算法的聚类效果与时间性能。首先基于模拟退火在数据集中快速定位出K个合适的数据点作为平衡聚类初始点，然后每个中心点分阶段贪婪地将距离其最近的数据点加入簇中直至达到簇规模上限。在6个UCI真实数据集与2个公开图

2018-11-28 09:53:06

Python无监督学习的几种聚类算法包括K-Means聚类,分层聚类等详细概述

无监督学习是机器学习技术中的一类，用于发现数据中的模式。本文介绍用Python进行无监督学习的几种聚类算法，包括K-Means聚类、分层聚类、t-SNE聚类、DBSCAN聚类等。

2018-05-27 09:59:13

29359

浅谈Matlab中的聚类分析 Matlab聚类程序的设计

Matlab 提供系列函数用于聚类分析，归纳起来具体方法有如下：方法一：直接聚类，利用 clusterdata 函数对样本数据进行一次聚类，其缺点为可供用户选择的面较窄，不能更改距离的计算方法，该方法的使用者无需了解聚类的原理和过程，但是聚类效果受限制。

2018-05-18 15:04:00

6775

基于密度DBSCAN的聚类算法

本文开始介绍了聚类算法概念，其次阐述了聚类算法的分类，最后详细介绍了聚类算法中密度DBSCAN的相关概况。

2018-04-26 10:56:41

21028

k means聚类算法实例

与分类不同，分类是示例式学习，要求分类前明确各个类别，并断言每个元素映射到一个类别，而聚类是观察式学习，在聚类前可以不知道类别甚至不给定类别数量，是无监督学习的一种。目前聚类广泛应用于统计学、生物学、数据库技术和市场营销等领域，相应的算法也非常的多。

2018-02-12 16:42:35

14535

聚类集成的网络流量分类方法

的规范化互信息（NMI）；然后基于NMI的值来选择用于聚类集成的K均值基聚类器的K值序列；最后采用二次互信息（ QMI）的一致函数生成一致聚类结果，并使用一种半监督方法对聚类簇进行标注。通过实验比较了聚类集成方法与单个聚类算法

2018-02-09 10:35:56

基于最优投影的半监督聚类算法

针对谱聚类算法在解决高维、大数据量的聚类问题时出现的效率不高和准确率明显下降的问题进行了研究，并在此研究基础上结合最优投影理论和Nystrom抽样提出了基于最优投影的半监督谱聚类算法

2018-01-14 11:54:58

基于距离最大化和缺失数据聚类的填充算法

通过对基于K-means聚类的缺失值填充算法的改进，文中提出了基于距离最大化和缺失数据聚类的填充算法。首先，针对原填充算法需要提前输入聚类个数这一缺点，设计了改进的K-means聚类算法：使用数据间

2018-01-09 10:56:56

基于可能性二均值聚类的二分类支持向量机

提出基于可能性二均值聚类（Possibilistic Two Means， P2M）的二分类支持向量机（Support Vector Machine，SVM）。该算法先用P2M对未知类别的二分类数据

2018-01-09 10:45:01

基于SVM和模糊K均值算法的部位外观模型

基于SVM和模糊K均值算法的部位外观模型。部位外观模型由两个分类器构成，线性SVM分类器用于判断部位定位状态是否属于人体部位，相似度分类器由部位定位状态与利用模糊K均值算法确定的部位聚类中心的归一化欧氏距离来构造，用于计算

2018-01-08 15:13:40

基于近邻传播的迁移聚类算法

在目标域可利用数据匮乏的场景下，传统聚类算法的性能往往会下降，在该场景下，通过抽取源域中的有用知识用于指导目标域学习以得到更为合适的类别信息和聚类性能，是一种有效的学习策略．借此提出一种基于近邻传播

2018-01-07 09:34:44

基于相似度的聚类算法

基于相似度的聚类算法，该算法结合区间值模糊软集的特性，着重对给出评价对象的具有相似知识水平的专家进行聚类，同时讨论了算法的计算复杂度。最后通过实例说明该算法能有效地处理专家聚类问题。

2018-01-05 16:15:27

中点密度函数的模糊聚类算法

针对传统模糊C一均值（ FCM）聚类算法初始聚类中心不确定，且需要人为预先设定聚类类别数，从而导致结果不准确的问题，提出了一种基于中点密度函数的模糊聚类算法。首先，结合逐步回归思想作为初始聚类中心

2017-12-26 15:54:20

大数据处理的优化抽样聚类K-means算法

针对大数据环境下K-means聚类算法聚类精度不足和收敛速度慢的问题，提出一种基于优化抽样聚类的K-means算法（OSCK）。首先，该算法从海量数据中概率抽样多个样本；其次，基于最佳聚类中心的欧氏

2017-12-22 15:47:18

距离不等式的K-medoids聚类算法

研究加速K-medoids聚类算法，首先以PAM（partitiomng around medoids）、TPAM（triangular inequality elimination

2017-12-22 15:35:47

基于密度差分的自动聚类算法

聚类作为无监督学习技术，已在实际中得到了广泛的应用，但是对于带有噪声的数据集，一些主流算法仍然存在着噪声去除不彻底和聚类结果不准确等问题．本文提出了一种基于密度差分的自动聚类算法（CDD

2017-12-18 11:16:57

基于改进核模糊C均值类间极大化聚类MKFCM算法

传统的核聚类仅考虑了类内元素的关系而忽略了类间的关系，对边界模糊或边界存在噪声点的数据集进行聚类分析时，会造成边界点的误分问题。为解决上述问题，在核模糊C均值（ KFCM）聚类算法的基础上提出了一种

2017-12-15 10:52:53

基于布谷鸟搜索的K-means聚类算法

针对原始K-means聚类算法受初始聚类中心影响过大以及容易陷入局部最优的不足，提出一种基于改进布谷鸟搜索（cs）的K-means聚类算法（ACS-K-means）。其中，自适应CS（ ACS）算法

2017-12-13 17:24:06

一种新的基于流行距离的谱聚类算法

方法进行改进，将传统谱聚类算法（NJW-SC）中的基于欧氏距离的相似性测度换为基于流行距离的相似性测度，在此基础上对样本对象集进行聚类。之后将新提出来的算法同K-Means算法、传统谱聚类算法、模糊C均值聚类算法在人工数据集

2017-12-07 14:53:03

基于像素聚类进行图像分割的算法

的算法。首先，通过各向异性扩散处理图像；然后，使用一维K-均值对像素进行聚类；最后，根据聚类结果和先验知识将像素值修改为最佳类中心像素值。理论分析表明该算法可以使图像的峰值信噪比（ PSNR）达到最大值。实验结果表明：所

2017-12-06 16:44:11

基于时空模式的轨迹数据聚类算法

针对轨迹聚类算法在相似性度量中多以空间特征为度量标准，缺少对时间特征的度量，提出了一种基于时空模式的轨迹数据聚类算法。该算法以划分再聚类框架为基础，首先利用曲线边缘检测方法提取轨迹特征点；然后根据

2017-12-05 14:07:58

基于Spark的动态聚类算法研究

D-Stream作出并行化改进，用通用的大数据处理框架Spark设计了一个基于分布式架构运行的动态数据聚类算法PDStream。实验结果表明，该算法具有更高的效率和良好的扩展性，能够实现分布式架构下的流数据动态聚类。

2017-12-04 09:22:51

基于人群疏散仿真的折半聚类算法

运用社会力模型（ SFM）模拟人群疏散之前，需要先对人群进行聚类分组；然而，五中心聚类（k-medoids）和统计信息网格聚类（ STING）这两大传统聚类算法，在聚类效率和准确率上都不能满足要求

2017-12-03 10:53:04

模糊C均值聚类算法(原理+Matlab代码)

尽可能归于一类，而把不相似的样本划分到不同的类中。硬聚类把每个待识别的对象严格的划分某类中，具有非此即彼的性质，而模糊聚类建立了样本对类别的不确定描述，更能客观的反应客观世界，从而成为聚类分析的主流。

2017-12-01 14:26:02

48589

165890

913

已全部加载完成

搜索历史

K均值聚类算法的MATLAB实现

K-means聚类算法的一般步骤：

K-均值聚类法的概述

单介绍下kmeans算法流程：

matlab实现：

本文导航

评论

　　K-means聚类算法的一般步骤：

　　K-均值聚类法的概述

　　单介绍下kmeans算法流程：

　　matlab实现：