聚类分析 | MATLAB实现k-Means(k均值聚类)分析_kmeans空间位置 matlab

聚类分析 | MATLAB实现k-Means(k均值聚类)分析

k-均值聚类简介

k均值聚类是一种分区方法。该函数kmeans将数据划分为k 个互斥的簇，并返回它为每个观察分配的簇的索引。 kmeans将数据中的每个观察值视为在空间中具有位置的对象。该函数找到一个分区，其中每个集群中的对象尽可能彼此靠近，并尽可能远离其他集群中的对象。您可以根据数据的属性选择要使用 的距离度量kmeans。像许多聚类方法一样，k-means 聚类要求您在聚类之前指定聚类数k。
与层次聚类不同，k均值聚类对实际观察进行操作，而不是对数据中每对观察之间的差异进行操作。此外，k- means 聚类创建单个级别的集群，而不是多级的集群层次结构。因此，对于大量数据， k- means 聚类通常比层次聚类更合适。
k- means 分区中的每个集群由成员对象和质心（或中心）组成。在每个集群中，kmeans最小化质心与集群所有成员对象之间的距离总和。 kmeans对于支持的距离度量，以不同的方式计算质心簇。

• 可以使用可用于的名称-值对参数来控制最小化的细节 kmeans；例如，可以指定聚类质心的初始值和算法的最大迭代次数。默认情况下，kmeans使用k -means++ 算法初始化聚类质心，并使用平方欧几里德距离度量来确定距离。
• 执行k均值聚类时，一般步骤：
• 比较ķ -means集群解决方案的不同值ķ确定集群，为数据的最佳数量。
• 通过检查轮廓图和轮廓值来评估聚类解决方案。还可以使用该evalclusters函数，根据间隙值、轮廓值、Davies-Bo