試驗三K-均值聚類算法試驗報告

1、實驗三K-Means聚類算法一、實驗?zāi)康?) 加深對非監(jiān)督學(xué)習(xí)的理解和認識2) 掌握動態(tài)聚類方法K-Means算法的設(shè)計方法二、實驗環(huán)境1) 具有相關(guān)編程軟件的PC機三、實驗原理2) 非監(jiān)督學(xué)習(xí)的理論基礎(chǔ)3) 動態(tài)聚類分析的思想和理論依據(jù)4) 聚類算法的評價指標(biāo)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(jié)束算法。實驗代碼function km(k,A)% 函數(shù)名里不要

2、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 flagsflags=0;times=times+1;%計算每個向量到聚類中

3、心的歐氏距離for i=1:nfor j=1:k歐氏距離dist(i,j尸sqrt(sum(A(i,:)-cid(j,:).A2);% 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);elsecontinue;endend i flags for j=1:kAsum=0;r,c=find(A(:,p+1)=j);cid(j,:)=mean(A(r,:),1);fo

4、r m=1:length(r)Asum=Asum+sqrt(sum(A(r(m),:)-cid(j,:).A2);endCsum(1,j)=Asum;endsum(Csum(1,:)%if sum(Csum(1,:)>Csum2 % break;%endCsum2=sum(Csum(1,:);Csum;cid; %得到新的聚類中心end timesdisplay('A 矩陣，最后一列是所屬類別');Afor j=1:ka,b=size(find(A(:,p+1)=j);numK(j)=a;endnumK timesxlswrite('data.xls',A

5、);五、算法流程圖六、實驗結(jié)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 = 205.886 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 -1.1121SumD =64.2944