matalb k-means函数使用方法(附一个很好的k-means参考博客)
来源:互联网 发布:大数据分析师招聘 编辑:程序博客网 时间:2024/06/09 15:11
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
K: 表示将X划分为几类,为整数
Idx :N*1的向量,存储的是每个点的聚类标号
C: K*P的矩阵,存储的是K个聚类质心位置
sumD 1*K的和向量,存储的是类间所有点与该类质心点距离之和
D N*K的矩阵,存储的是每个点与所有质心的距离
[…]=Kmeans(…,'Param1',Val1,'Param2',Val2,…)
这其中的参数Param1、Param2等,主要可以设置为如下:
1. ‘Distance’(距离测度)
‘sqEuclidean’ 欧式距离(默认时,采用此距离方式)
‘cityblock’ 绝度误差和,又称:L1
‘cosine’ 针对向量
‘correlation’ 针对有时序关系的值
‘Hamming’ 只针对二进制数据
2. ‘Start’(初始质心位置选择方法)
‘sample’ 从X中随机选取K个质心点
‘uniform’ 根据X的分布范围均匀的随机生成K个质心
‘cluster’ 初始聚类阶段随机选择10%的X的子样本(此方法初始使用’sample’方法)
matrix 提供一K*P的矩阵,作为初始质心位置集合
3. ‘Replicates’(聚类重复次数) 整数
这个博客很好,忘记了就参考这个!
深入浅出K-Means算法-CSDN.NET http://www.csdn.net/article/2012-07-03/2807073-k-means
- matalb k-means函数使用方法(附一个很好的k-means参考博客)
- matalb k-means函数使用方法(附一个很好的k-means参考博客)
- K-means segmentation(附源码)
- K近邻法(knn)与k-means(附源代码)
- K-Means++的代码
- K-means(K均值)
- K-Means
- k-means
- K-means
- k means
- K-means
- K-means
- K-Means
- k-means
- k-means
- k-means
- k-means
- k-means
- ireport使用时的总结
- 在Eclipse中显示.project和.classpath和.setting目录
- Windows下MyEclipse的Hadoop环境的配置
- android activity右滑退出
- Android 菜单(OptionMenu)大全
- matalb k-means函数使用方法(附一个很好的k-means参考博客)
- RHEL 7中安装部署LAMP服务器
- uva10129-欧拉回路
- IOS UIView 详解
- 2631: tree
- 【疑问笔记】window.onload vs $(document).ready vs defer
- ORA-12505: TNS: 监听程序当前无法识别连接描述符中所给出的SID等错误解决方法
- 使用shape 自定义ui之渐变半圆阴影
- 常用SQL语句总结(3)