实验三K-均值聚类算法实验报告

实验三k-means聚类算法一、 实验目的1) 加深对非监督学习的理解和认识2) 掌握动态聚类方法k-means算法的设计方法二、 实验环境1)具有相关编程软件的pc 机三、 实验原理1) 非监督学习的理论基础2) 动态聚类分析的思想和理论依据3) 聚类算法的评价指标四、算法思想k- 均值算法的主要思想是先在需要分类的数据中寻找k组数据作为初始聚类中心，然后计算其他数据距离这三个聚类中心的距离，将数据归入与其距离最近的聚类中心，之后再对这k个聚类的数据计算均值，作为新的聚类中心，继续以上步骤，直到新的聚类中心与上一次的聚类中心值相等时结束算法。实验代码function km(k,a)%函数名里不要出现“ -” warning offn,p=size(a);%输入数据有n 个样本， p 个属性cid=ones(k,p+1);%聚类中心组成k 行 p 列的矩阵 ,k 表示第几类， p 是属性%a(:,p+1)=100;a(:,p+1)=0;for i=1:k%cid(i,:)=a(i,:); %直接取前三个元祖作为聚类中心m=i*floor(n/k)-floor(rand(1,1)*(n/k) cid(i,:)=a(m,:);cid;end asum=0;csum2=nan; flags=1; times=1; while flagsflags=0;times=times+1;% 计算每个向量到聚类中心的欧氏距离for i=1:nfor j=1:kdist(i,j)=sqrt(sum(a(i,:)-cid(j,:).2);%欧氏距离end%a(i,p+1)=min(dist(i,:);%与中心的最小距离x,y=find(dist(i,:)=min(dist(i,:);c,d=size(find(y=a(i,p+1); if c=0 % 说明聚类中心变了flags=flags+1;a(i,p+1)=y(1,1);elsecontinue;endend i flagsfor j=1:kasum=0; r,c=find(a(:,p+1)=j);cid(j,:)=mean(a(r,:),1); for m=1:length(r)asum=asum+sqrt(sum(a(r(m),:)-cid(j,:).2);end csum(1,j)=asum;end sum(csum(1,:)%if sum(csum(1,:)csum2%break;%end csum2=sum(csum(1,:); csum;cid; % 得到新的聚类中心end timesdisplay(a矩阵，最后一列是所属类别); afor j=1:ka,b=size(find(a(:,p+1)=j); numk(j)=a;end numk timesxlswrite(data.xls,a);五、算法流程图六、实验结果kmeans6 iterations, total sum of distances = 204.821 10 iterations, total sum of distances = 205.886 16 iterations, total sum of distances = 204.821 9 iterations, total sum of distances = 205.886.9 iterations, total sum of distances = 205.886 8 iterations, total sum of distances = 204.821 8 iterations, total sum of distances = 204.821 14 iterations, total sum of distances = 205.886 14 iterations, total sum of distances = 205.886 6 iterations, total sum of distances = 204.821ctrs =1.0754 -1.06321.0482 1.3902-1.1442 -1.1121sumd =64.294463.