matalb k-means函数使用方法（附一个很好的k-means参考博客）

最新推荐文章于 2025-06-22 15:16:00 发布

原创

最新推荐文章于 2025-06-22 15:16:00 发布 · 7.9w 阅读

193 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #k-means #聚类

本文介绍了Matlab中K-means聚类算法的使用方法，强调了其速度较慢的问题。K-means是一种基于原型的目标函数聚类方法，通过寻找使误差平方和准则函数最小的聚类。文章详细解释了K-means的输入输出参数，如数据矩阵X、类别数K、聚类标签Idx和质心位置C，并讨论了可选参数如'Distance'和'Start'，并提供了一个深入理解K-means算法的优快云博客链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先得说，虽然matlab提供了KMeans函数，但是matlab的KMeans聚类好慢，真的好慢！
K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以偶是距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数
K-means聚类算法采用的是将N*P的矩阵X划分为K个类，使得类内对象之间的距离最大,而类之间的距离最小。
使用方法：
Idx=Kmeans(X,K)
[Idx,C]=Kmeans(X,K)
[Idx,C,sumD]=Kmeans(X,K)
[Idx,C,sumD,D]=Kmeans(X,K)
[…]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…)
各输入输出参数介绍：
X :N*P的数据矩阵