k均值聚類matlab代碼

k均值聚類matlab代碼k均值聚類是一種常用的非監(jiān)督學(xué)習(xí)算法，用來將數(shù)據(jù)集劃分成k個不同的簇。下面給出的是一個簡單的Matlab代碼示例，用于實現(xiàn)k均值聚類。

首先，我們需要導(dǎo)入數(shù)據(jù)集并進行預(yù)處理。這里假設(shè)數(shù)據(jù)集保存在一個名為"data.csv"的CSV文件中，每行代表一個樣本，每列代表一個特征。

```matlab

data=csvread('data.csv');%導(dǎo)入數(shù)據(jù)集

[m,n]=size(data);%獲取數(shù)據(jù)集的大小

%對每個特征進行標準化(歸一化)

mu=mean(data);%計算每個特征的均值

sigma=std(data);%計算每個特征的標準差

data=(data-mu)./sigma;%標準化數(shù)據(jù)集

```

接下來，我們可以編寫k均值聚類的算法。

```matlab

k=3;%設(shè)置簇的個數(shù)

max_iters=10;%設(shè)置最大迭代次數(shù)

%隨機選擇k個樣本作為初始質(zhì)心

centroids=data(randperm(m,k),:);

foriter=1:max_iters

%分配樣本到最近的質(zhì)心

distances=pdist2(data,centroids);

[~,labels]=min(distances,[],2);

%更新簇的質(zhì)心

new_centroids=zeros(k,n);

fori=1:k

new_centroids(i,:)=mean(data(labels==i,:));

end

%判斷是否收斂

ifisequal(new_centroids,centroids)

break;

end

centroids=new_centroids;

end

```

在代碼中，我們使用pdist2函數(shù)計算樣本到質(zhì)心的距離，并使用min函數(shù)找到每個樣本離哪個質(zhì)心最近。然后，我們計算每個簇的均值，并將其作為新的質(zhì)心。如果新的質(zhì)心與舊的質(zhì)心相同，則認為算法已經(jīng)收斂，退出迭代。

最后，我們可以將聚類結(jié)果可視化。

```matlab

%繪制聚類結(jié)果

colors=['r','g','b'];%設(shè)置每個簇的顏色

figure;

holdon;

fori=1:k

cluster=data(labels==i,:);

scatter(cluster(:,1),cluster(:,2),20,colors(i),'filled');

end

scatter(centroids(:,1),centroids(:,2),100,'k','filled','d');

xlabel('特征1');

ylabel('特征2');

title('k均值聚類結(jié)果');

legend('簇1','簇2','簇3','質(zhì)心');

holdoff;

```

在代碼中，我們使用scatter函數(shù)將每個簇的樣本散點圖繪制出來，并使用'd'表示質(zhì)心。

綜上所述，以上是一個簡單的k均值聚