kmeans++
k-means算法
k-means初始簇中心的位置会严重影响到聚类算法的最终结果。k-means 算法仅仅只是在初始化簇中心的方式上做了改进,其它地方同聚类算法一样
k-means 算法
function [K_center,seed]=kmeansjia(data,K,LOOP)
%该算法是对kmeans的改进,性能优于kmeans
% data是待分类的数据,尺寸为 (dim*N),dim代表每个样本的维数,N代表样本个数
% K 是设定的聚类数量,即把N个样本分成K类,每一类内部的差别小,各类之间的差别大
%首先,确定K个初始聚类中心,这些聚类中心均来源于原始的N个样本
[dim,N]=size(data);
K_center=zeros(dim,K);
seed=[];
str=round(rand(1,1)*N);
seed=[seed,data(:,str)]; %随机选择的第一个聚类中心
for k=2:1:K
num_seed=size(seed,2);
Dis_temp=zeros(k,N);
d_min=zeros(1,N);
for i=1:1:N
d_min(1,i)=(seed(:,1)-data(:,i))'*(seed(:,1)-data(:,i));
for j=1:1:num_seed
Dis_temp(j,i)=(seed(:,j)-data(:,i))'*(seed(:,j)-data(:,i));
if d_min(1,i)>Dis_temp(j,i)
d_min(1,i)=Dis_temp(j,i);
end
end
end
pos=find(d_min==max(d_min));
seed=[seed,data(:,pos)];
end
K_center=seed;
%所有的K个初始聚类中心已经确定,下面按照传统的kmeans算法执行
for loop=1:1:LOOP
DIS=zeros(K,N); %计算N个样本与K个聚类之间的距离,行代表聚类,列代表样本
for i=1:1:N
for j=1:1:K
d=K_center(:,j)-data(:,i);
DIS(j,i)=d'*d;
end
end
class=zeros(1,N);
for i=1:1:N
class(1,i)=1;
d=DIS(1,i);
for j=1:1:K
if DIS(j,i)==DIS(j,i);
class(1,i)=j;
end
end
end
for k=1:1:K
sum=zeros(dim,1);
idx=find(class==k);
count=length(idx);
for c=1:1:count
sum=sum data(:,idx(c));
end
K_center(:,k)=sum/count;
end
end
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhgheiec
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01 -
怎样阻止微信小程序自动打开
PHP中文网 06-13