K-means聚类算法

k-means聚类算法

1、K-means聚类作用：

    K-means算法采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大

准则将靠近的点集归为一类，将相互紧凑且独立的点分为一类，从而对样本点进行分类。

2、K-means聚类算法流程：

（1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2） 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离dij；并根据最小距离重新对相应对象进行划分；
（3） 重新计算每个（有变化）聚类的均值（中心对象）
（4） 循环（2）到（3）直到每个聚类J不再发生变化为止

k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。

3、涉及命令和公式

（1）两点之间的距离 命令

Y=pdist（X）；

Y = pdist(X,'metric') 

Y = pdist(X,distfun) 
Y = pdist(X,'minkowski',p) 
这里： 
X：为数据矩阵 
metric：各种距离方法 
‘euclidean’：欧几里得距离Euclidean distance (default) ‘seuclidean’：标准欧几里得距离. ‘mahalanobis’：马氏 距离 ‘cityblock’：绝对值距离 ‘minkowski’：明可夫斯基距离 

（2）求点群中心

（3）类类距离计算命令