k均值聚类分析 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
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。
