1、 模式識別實驗報告實驗三 K-Means聚類算法 一、 實驗目的 1) 加深對非監(jiān)督學習的理解和認識 2) 掌握動態(tài)聚類方法K-Means 算法的設計方法 二、 實驗環(huán)境 1) 具有相關編程軟件的PC機 三、 實驗原理 1) 非監(jiān)督學習的理論基礎 2) 動態(tài)聚類分析的思想和理論依據(jù) 3) 聚類算法的評價指標四、算法思想K-均值算法的主要思想是先在需要分類的數(shù)據(jù)中尋找K組數(shù)據(jù)作為初始聚類中心，然后計算其他數(shù)據(jù)距離這三個聚類中心的距離，將數(shù)據(jù)歸入與其距離最近的聚類中心，之后再對這K個聚類的數(shù)據(jù)計算均值，作為新的聚類中心，繼續(xù)以上步驟，直到新的聚類中心與上一次的聚類中心值相等時結束算法。實驗代碼fu

2、nction km(k,A)%函數(shù)名里不要出現(xiàn)“-”warning offn,p=size(A);%輸入數(shù)據(jù)有n個樣本，p個屬性cid=ones(k,p+1);%聚類中心組成k行p列的矩陣,k表示第幾類，p是屬性%A(:,p+1)=100;A(:,p+1)=0;for i=1:k %cid(i,:)=A(i,:); %直接取前三個元祖作為聚類中心 m=i*floor(n/k)-floor(rand(1,1)*(n/k) cid(i,:)=A(m,:); cid;endAsum=0;Csum2=NaN;flags=1;times=1;while flags flags=0; times=time

3、s+1; %計算每個向量到聚類中心的歐氏距離 for i=1:n for j=1:k dist(i,j)=sqrt(sum(A(i,:)-cid(j,:).2);%歐氏距離 end %A(i,p+1)=min(dist(i,:);%與中心的最小距離 x,y=find(dist(i,:)=min(dist(i,:); c,d=size(find(y=A(i,p+1); if c=0 %說明聚類中心變了 flags=flags+1; A(i,p+1)=y(1,1); else continue; end end i flags for j=1:k Asum=0; r,c=find(A(:,p+1)

4、=j); cid(j,:)=mean(A(r,:),1); for m=1:length(r) Asum=Asum+sqrt(sum(A(r(m),:)-cid(j,:).2); end Csum(1,j)=Asum; end sum(Csum(1,:) %if sum(Csum(1,:)Csum2 % break; %end Csum2=sum(Csum(1,:); Csum; cid; %得到新的聚類中心 endtimesdisplay(A矩陣，最后一列是所屬類別);Afor j=1:k a,b=size(find(A(:,p+1)=j); numK(j)=a;endnumKtimesxl

5、swrite(data.xls,A); 五、算法流程圖開 始讀入要分類的數(shù)據(jù)設置初始聚類中心計算數(shù)據(jù)到K個聚類中心的距離將數(shù)據(jù)分入與其距離最小的聚類計算新的聚類中心聚類中心是否收斂？否輸出K個分類好的聚類結 束是六、實驗結果Kmeans6 iterations, total sum of distances = 204.82110 iterations, total sum of distances = 205.88616 iterations, total sum of distances = 204.8219 iterations, total sum of distances = 205

6、.886.9 iterations, total sum of distances = 205.8868 iterations, total sum of distances = 204.8218 iterations, total sum of distances = 204.82114 iterations, total sum of distances = 205.88614 iterations, total sum of distances = 205.8866 iterations, total sum of distances = 204.821Ctrs =1.0754 -1.06321.0482 1.3902-1.1442