KMeans聚類是根據各點距離聚類中心的距離來把所有點分類到不同類別的無監督算法。

對于聚類，就是兩點：

• 1.分類所有樣本點：遍歷每個數據樣本點，分別計算該樣本點與K個聚類中心的距離，把該樣本點的類別重新分類為距離最小的那一類。
• 2.更新聚類中心：所有樣本點都按第一步重新分類后，把各類別的點重新計算聚類中心(求平均值的方法)，更新K個類別的聚類中心值。
• 3.重復前面兩步，直到聚類中心點更新幅度小于閾值，或者達到迭代次數，或者所有樣本點的類別都不再改變，或者他們幾者組合起來，就停止迭代。

---

它適合分類一堆一堆的點：見下圖中左邊的三堆點。

不適合對幾條曲線組成的點進行分類，見下圖的右邊三條線：

以一條曲線的起點和終點距離：因為一條曲線特別長，他的起點和終點之間的距離可能也會特別大，因此存在別的曲線上的點更接近他的起點和終點，那么起點和終點可能會被分類到別的曲線類別。因此最終的分類效果肯定是很差。

---

代碼：

下面例子用kmeans分類一系列三維空間點。(不要用來分類幾條曲線，效果爛的很，完全用不了。)
頭文件：

#pragma once #include <cstring> // #include <fstream> #include <vector>struct Point_3D {float x;float y;float z;Point_3D operator=(Point_3D point) {x = point.x;y = point.y;z = point.z;} }; typedef std::vector<Point_3D> Point3DVct;class KMeans {public:int m_k; // k個類別Point3DVct input_point3D_vct_; //要聚類的點云std::vector<Point3DVct> k_points_vct_; // K類，每一類存儲若干點Point3DVct k_center_point_vct_; //每個類的中心KMeans() { m_k = 0; }inline void SetK(int k_) {m_k = k_;k_points_vct_.resize(m_k);}//設置輸入點bool SetInput(const Point3DVct &input_points, Point3DVct &o_points);//初始化最初的K個類的中心bool InitKCenter(Point3DVct &K_center_point_vct);//聚類bool Cluster(const Point3DVct &input_points,std::vector<Point3DVct> &k_points_vct);//更新K類的中心bool UpdateGroupCenter(std::vector<Point3DVct> &K_points_vct,Point3DVct &centers);//計算兩個點間的歐氏距離float DistBetweenPoints(const Point_3D &p1, const Point_3D &p2);//是否存在中心點移動，用來判斷分類結果是否已收斂bool ExistCenterShift(Point3DVct &prev_center, Point3DVct &cur_center); };

---

源文件：

#include "k_means.h"#include <math.h> // #include <stdlib.h> #include <bits/stdc++.h> #include <time.h>#include <iostream>const float DELTA = 0.001;bool KMeans::InitKCenter(Point3DVct &K_center_point_vct) {if (m_k == 0) {std::cout << "在此之前必須要調用setK()函數" << std::endl;return false;}k_center_point_vct_.resize(m_k);for (size_t i = 0; i < m_k; ++i) {k_center_point_vct_[i] = K_center_point_vct[i];}return true; }bool KMeans::SetInput(const Point3DVct &input_points, Point3DVct &o_points) {for (int i = 0; i < input_points.size(); ++i) {Point_3D p = input_points[i];o_points.push_back(p);}return true; }bool KMeans::Cluster(const Point3DVct &input_points,std::vector<Point3DVct> &k_points_vct) {Point3DVct input_point3D_vct;SetInput(input_points, input_point3D_vct);Point3DVct v_center(k_center_point_vct_.size());do {for (size_t i = 0, pntCount = input_point3D_vct.size(); i < pntCount; ++i) {float min_dist = 10000000000;int point_class = 0;for (size_t j = 0; j < m_k; ++j) {float dist =DistBetweenPoints(input_point3D_vct[i], k_center_point_vct_[j]);if (min_dist - dist > 0.000001) {min_dist = dist;point_class = j;}}k_points_vct_[point_class].push_back(input_point3D_vct[i]);}//保存上一次迭代的中心點for (size_t i = 0; i < k_center_point_vct_.size(); ++i) {v_center[i] = k_center_point_vct_[i];}if (!UpdateGroupCenter(k_points_vct_, k_center_point_vct_)) {return false;}if (!ExistCenterShift(v_center, k_center_point_vct_)) {k_points_vct = k_points_vct_;break;}for (size_t i = 0; i < m_k; ++i) {for (int j = 0; j < k_points_vct_[i].size(); ++j) {const Point_3D &p = k_points_vct_[i][j];std::cout << "x= " << p.x << ", y= " << p.y << ", z= " << p.z<< " ,class: " << i << std::endl;}}std::cout << "--------------------- " << std::endl;for (size_t i = 0; i < m_k; ++i) {k_points_vct_[i].clear();}} while (true);return true; }// 計算兩個點之間的距離 float KMeans::DistBetweenPoints(const Point_3D &p1, const Point_3D &p2) {float dist = 0;float x_diff = 0, y_diff = 0, z_diff = 0;x_diff = p1.x - p2.x;y_diff = p1.y - p2.y;z_diff = p1.z - p2.z;dist = sqrt(x_diff * x_diff + y_diff * y_diff + z_diff * z_diff);return dist; }bool KMeans::UpdateGroupCenter(std::vector<Point3DVct> &K_points_vct,Point3DVct &centers) {if (centers.size() != m_k) {std::cout << "類別的個數不為K" << std::endl;return false;}for (size_t i = 0; i < m_k; ++i) {float x = 0, y = 0, z = 0;size_t point_num_in_this_class = K_points_vct[i].size();// 遍歷每個類別的數據，每次遍歷都把一類數據的x全加起來，求平均數，賦值給該類別的中心x;// y全加起來，求平均數，賦值給該類別的中心y;// z全加起來，求平均數，賦值給該類別的中心zfor (size_t j = 0; j < point_num_in_this_class; ++j) {x += K_points_vct[i][j].x;y += K_points_vct[i][j].y;z += K_points_vct[i][j].z;}x /= point_num_in_this_class;y /= point_num_in_this_class;z /= point_num_in_this_class;centers[i].x = x;centers[i].y = y;centers[i].z = z;}return true; }//是否存在中心點移動 // 就是說遍歷K個類別的中心點，若上一次和本次更新的中心點距離變化大于一定值就表示正在更新更新了； // 否則，就表示不再更新迭代停止； // 只要有一個返回值大于閾值，就表示有數據更新，不能停止迭代。如果所有個類別的中心距離都小于某閾值，就表示更新停止. bool KMeans::ExistCenterShift(Point3DVct &prev_center, Point3DVct &cur_center) {for (size_t i = 0; i < m_k; ++i) {float dist = DistBetweenPoints(prev_center[i], cur_center[i]);if (dist > DELTA) {return true;}}return false; }

總結

以上是生活随笔為你收集整理的【数学与算法】KMeans聚类代码的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。