Matlab实现K-means聚类函数

最新推荐文章于 2025-07-19 13:16:48 发布

原创最新推荐文章于 2025-07-19 13:16:48 发布 · 475 阅读

2 ·

CC 4.0 BY-SA版权

Matlab 专栏收录该内容

1 篇文章

订阅专栏

本文详细介绍了一种常用的无监督学习方法——K-means算法。通过逐步解释初始化聚类中心、距离计算、迭代更新和停止条件，展示了如何利用my_kmeans函数实现数据集的自动聚类。适合初学者理解聚类算法的工作流程。

function [label] = my_kmeans(X,k)
   [m,n]=size(X);
   label=zeros(m,1);%初始化label向量
   u_index=randperm(m,k);%生成k个[1,m]范围的随机的不重复的正整数
   u=X(u_index,:);%初始化均值向量
while(true) %迭代操作
    Distance=sqrt(u.^2*ones(n,m)+ones(size(u))*(X').^2-2*u*X');%生成每个样本与k个聚类中心的距离矩阵
    [~,min_index]=min(Distance,[],1);%根据距离最近，确定样本的簇标记
    MinMat =zeros(size(Distance));
    postionvec =1:m;
    pos_num =k*(postionvec-1)+min_index;%生成矩阵的单下标索引
    MinMat(pos_num)=1;%将每个样本到聚类中心的最小距离对应位置置1
    Cluster_sum = MinMat*X;%簇中样本求和
    Cluster_num = sum(MinMat,2);%簇中样本数量
    dim_num=size(Cluster_sum,2);
    ExtendMat = repmat(Cluster_num,1,dim_num);%为实现矩阵的点除，进行矩阵的复制
    NewCMat = Cluster_sum./ExtendMat;%计算均值向量
    if(all(abs(NewCMat(:)-u(:))<1e-6))%迭代退出条件
        [~,label]=max(MinMat,[],1);%聚类结果
        break;
    end
    u=NewCMat;%更新均值向量
end
  label=label';分类标记
end
在这里插入代码片