K-means算法以偶是距離作為相似度測度，它是求對應(yīng)某一初始聚類中心向量V最優(yōu)分類，使得評(píng)價(jià)指標(biāo)J最小。算法采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)
K-means聚類算法采用的是將NP的矩陣X劃分為K個(gè)類，使得類內(nèi)對象之間的距離最大,而類之間的距離最小。
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,…)
各輸入輸出參數(shù)介紹：
X :NP的數(shù)據(jù)矩陣
K: 表示將X劃分為幾類，為整數(shù)
Idx :N1的向量，存儲(chǔ)的是每個(gè)點(diǎn)的聚類標(biāo)號(hào)
C: KP的矩陣，存儲(chǔ)的是K個(gè)聚類質(zhì)心位置
sumD 1K的和向量，存儲(chǔ)的是類間所有點(diǎn)與該類質(zhì)心點(diǎn)距離之和
D NK的矩陣，存儲(chǔ)的是每個(gè)點(diǎn)與所有質(zhì)心的距離
[…]=Kmeans(…,‘Param1’,Val1,‘Param2’,Val2,…)
這其中的參數(shù)Param1、Param2等，主要可以設(shè)置為如下：
1. ‘Distance’(距離測度)
‘sqEuclidean’ 歐式距離（默認(rèn)時(shí)，采用此距離方式）
‘cityblock’ 絕度誤差和，又稱：L1
‘cosine’ 針對向量
‘correlation’ 針對有時(shí)序關(guān)系的值
‘Hamming’ 只針對二進(jìn)制數(shù)據(jù)
2. ‘Start’（初始質(zhì)心位置選擇方法）
‘sample’ 從X中隨機(jī)選取K個(gè)質(zhì)心點(diǎn)
‘uniform’ 根據(jù)X的分布范圍均勻的隨機(jī)生成K個(gè)質(zhì)心
‘cluster’ 初始聚類階段隨機(jī)選擇10%的X的子樣本（此方法初始使用’sample’方法）
matrix 提供一K*P的矩陣，作為初始質(zhì)心位置集合
3. ‘Replicates’（聚類重復(fù)次數(shù)） 整數(shù)

總結(jié)

以上是生活随笔為你收集整理的MATLAB中K-means函数表达方式的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。