聚类

最新推荐文章于 2024-10-25 14:06:52 发布

原创最新推荐文章于 2024-10-25 14:06:52 发布 · 986 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #matrix #random #function #each

Data Mining 专栏收录该内容

47 篇文章

订阅专栏

本文介绍了基于距离的迭代聚类方法，包括k-means算法的MATLAB实现，以及如何通过KD树和球树进行快速距离计算。内容涵盖了聚类算法的核心思想、实现步骤以及提高计算效率的技术手段。

1. 基于距离的迭代聚类

k-means 一个matlab实现： from: http://www.newsmth.net/nForum/article/AI/86245?p=1

function label = litekmeans(X, k)
n = size(X,2);
last = 0;
label = ceil(k*rand(1,n));  % random initialization
while any(label ~= last)
    [~,~,label] = unique(label);   % remove empty clusters
    E = sparse(1:n,label,1,n,k,n);  % transform label into indicator matrix
    center = X*(E*spdiags(1./sum(E,1)',0,k,k));    % compute center of each cluster
    last = label;
    [~,label] = max(bsxfun(@minus,center'*X,0.5*sum(center.^2,1)'),[],1); % assign samples to the nearest centers
end

2. 快速距离计算： KD树和球树