在聚类分析中,K-均值聚类算法(k-means
algorithm)是无监督分类中的一种基本方法,其也称为C-均值算法,其基本思想是:通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果。
假设要把样本集分为c个类别,算法如下:
(1)适当选择c个类的初始中心;
(2)在第k次迭代中,对任意一个样本,求其到c个中心的距离,将该样本归到距离最短的中心所在的类,
(3)利用均值等方法更新该类的中心值;
(4)对于所有的c个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变(目标函数收敛),则迭代结束,否则继续迭代。
利用均值更新类中心:
利用误差平方和作为目标函数(准则函数)
编写K-均值聚类算法程序,对下图所示数据进行聚类分析(选k=2):
1. 解:用matlab编写k-均值聚类程序:
% kmean.m
% k-均聚类算法
clear;
% main variables
dim = 2; % 模式样本维数
k = 2; % 设有k个聚类中心
fid = fopen('test.txt');
PM = fscanf(fid,'%g %g',[2 inf]);
PM = PM'; % 模式样本矩阵
fclose(fid);
N = size(PM,1);
CC = zeros(k,dim); % 聚类中心矩阵,CC(i,:)初始值为i号样本向量
D = zeros(N,k); % D(i,j)是样本i和聚类中心j的距离
C = cell(1,k); %% 聚类矩阵,对应聚类包含的样本。初始状况下,聚类i(i<k)的样本集合为[i],聚类k的样本集合为[k,k+1,...N]
for i = 1:k-1
C{i} = [i];
end
C{k} = k:N;
B = 1:N; % 上次迭代中,样本属于哪一聚类,设初值为1
B(k:N) = k;
for i = 1:k
CC(i,:) = PM(i,:);
end
while 1
% 打印C,CC
for i = 1:k
disp(C{i});
end;
disp(CC);
change = 0;
% 对每一个样本i,计算到k个聚类中心的距离
for i = 1:N
for j = 1:k
D(i,j) = eulerDis( PM(i,:), CC(j,:) );
end
t = find( D(i,:) == min(D(i,:)) ); % i属于第t类
if B(i) ~= t % 上次迭代i不属于第t类
change = 1;
% 将i从第B(i)类中去掉
t1 = C{B(i)};
t2 = find( t1==i );
t1(t2) = t1(1);
t1 = t1(2:length(t1));
C{B(i)} = t1;
C{t} = [C{t},i]; % 将i加入第t类
B(i) = t;
end
end
if change == 0
break;
end
% 重新计算聚类中心矩阵CC
for i = 1:k
CC(i,:) = 0;
iclu = C{i};
for j = 1:length(iclu)
CC(i,:) = PM( iclu(j),: )+CC(i,:);
end
CC(i,:) = CC(i,:)/length(iclu);
end
end
2. 程序中test.txt为:
0 0
1 0
0 1
1 1
2 1
1 2
2 2
3 2
6 6
7 6
8 6
6 7
7 7
8 7
9 7
7 8
8 8
9 8
8 9
9 9
即各样本向量。
3. 运行程序输出为:
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0 0
1 0
1 3
2 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0 0.5000
5.6667 5.3333
1 3 2 4 5 6 7 8
9 10 11 12 13 14 15 16 17 18 19 20
1.2500 1.1250
7.6667 7.3333
整理数据为:
(1) 初始态为:聚类1包括样本1,其聚类中心向量为(0,0);聚类2包括样本2到20,其聚类中心向量为(1,0)。
(2) 迭代一次得到:聚类1包括样本1,3,其聚类中心向量为(0,0.5000);聚类2包括剩余所有样本,其聚类中心向量为(5.6667,5.3333)。
(3) 迭代第二次得到:聚类1包括样本1,3,2,4,5,6,7,8,其聚类中心向量为(1.2500,1.1250);聚类2包括剩余所有样本,其聚类中心向量为(7.6667,7.3333)。
(4) 收敛,算法结束。故最终分类为{1,2,3,4,5,6,7,8},{9,10,11,12,13,14,15,16,17,18,19,20}。
|