k均值聚類算法原理？第1步：選擇k個(gè)初始聚類中心，Z1（1）、Z2（1）、ZK（1），其中括號中的序列號是找到聚類中心的迭代操作的第二序列號。聚類中心的向量值可以任意設(shè)置。例如，可以選擇初始K個(gè)模式樣

k均值聚類算法原理？

第1步：選擇k個(gè)初始聚類中心，Z1（1）、Z2（1）、ZK（1），其中括號中的序列號是找到聚類中心的迭代操作的第二序列號。聚類中心的向量值可以任意設(shè)置。例如，可以選擇初始K個(gè)模式樣本的向量值作為初始聚類中心。

第二步是根據(jù)最小距離準(zhǔn)則將模式樣本{x}分配給K個(gè)聚類中心之一。

假設(shè)I=J，則K為迭代運(yùn)算的次序列號，第一次迭代K=1，SJ為第J個(gè)簇，其簇中心為ZJ。

第3步：計(jì)算每個(gè)聚類中心的新向量值ZJ（k1），j=1，2，K

找到每個(gè)聚類域中樣本的平均向量：

其中NJ是第j個(gè)聚類域中的樣本數(shù)SJ。以均值向量作為新的聚類中心，可以最小化以下聚類準(zhǔn)則函數(shù)：

在這一步中，我們需要分別計(jì)算K個(gè)聚類的樣本均值向量，因此稱為K-means算法。

第4步：如果J=1，2，K，則返回第二步，逐個(gè)重新分類模式樣本，并重復(fù)迭代操作；

如果J=1，2，則算法收斂，計(jì)算結(jié)束。

k均值聚類公式？

西格瑪=[1，0 0，1

]mu1=[1，-1

]x1=mvnrnd（mu1，西格瑪，200）

mu2=[5.5，-4.5

]x2=mvnrnd（mu2，西格瑪，200）

mu3=[1，4

]x3=mvnrnd（mu3，西格瑪，200）

mu4=[6，4.5

]x4=mvnrnd（mu4，西格瑪，200）

mu5=[9，0.0

]x5=mvnrnd（mu5，西格瑪，200）

%獲取要聚集的1000個(gè)數(shù)據(jù)點(diǎn)

X=[x1 x2 X3 X4 X5

]%顯示數(shù)據(jù)點(diǎn)

繪圖（x1（：，1），x1（：，2），“R.”）按住

繪圖（x2（：，1），x2（：，2），“B.”）

繪圖（X3（：，1），X3（：，2），“K.”）

繪圖（X4（：，1），X4（：，2），“g.”）

繪圖（X5（：，1），X5（：，2），“M.”）

保存MYX%保存X并將其加載到其他文件中