k均值聚类分析结果怎么看 k均值聚类算法原理?
k均值聚类算法原理?
第1步:选择k个初始聚类中心,Z1(1)、Z2(1)、ZK(1),其中括号中的序列号是找到聚类中心的迭代操作的第二序列号。聚类中心的向量值可以任意设置。例如,可以选择初始K个模式样本的向量值作为初始聚类中心。
第二步是根据最小距离准则将模式样本{x}分配给K个聚类中心之一。
假设I=J,则K为迭代运算的次序列号,第一次迭代K=1,SJ为第J个簇,其簇中心为ZJ。
第3步:计算每个聚类中心的新向量值ZJ(k1),j=1,2,K
找到每个聚类域中样本的平均向量:
其中NJ是第j个聚类域中的样本数SJ。以均值向量作为新的聚类中心,可以最小化以下聚类准则函数:
在这一步中,我们需要分别计算K个聚类的样本均值向量,因此称为K-means算法。
第4步:如果J=1,2,K,则返回第二步,逐个重新分类模式样本,并重复迭代操作;
如果J=1,2,则算法收敛,计算结束。
k均值聚类公式?
西格玛=[1,0 0,1
]mu1=[1,-1
]x1=mvnrnd(mu1,西格玛,200)
mu2=[5.5,-4.5
]x2=mvnrnd(mu2,西格玛,200)
mu3=[1,4
]x3=mvnrnd(mu3,西格玛,200)
mu4=[6,4.5
]x4=mvnrnd(mu4,西格玛,200)
mu5=[9,0.0
]x5=mvnrnd(mu5,西格玛,200)
%获取要聚集的1000个数据点
X=[x1 x2 X3 X4 X5
]%显示数据点
绘图(x1(:,1),x1(:,2),“R.”)按住
绘图(x2(:,1),x2(:,2),“B.”)
绘图(X3(:,1),X3(:,2),“K.”)
绘图(X4(:,1),X4(:,2),“g.”)
绘图(X5(:,1),X5(:,2),“M.”)
保存MYX%保存X并将其加载到其他文件中
k均值聚类分析结果怎么看 k均值聚类算法优缺点 k均值聚类算法例题计算
版权声明:本文内容由互联网用户自发贡献,本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。