MATLAB:K-means聚类
-
21-09-2019 - |
题
我的A(369x10)一个矩阵的计算,我想在19簇到簇。 我用这个方法
[idx ctrs]=kmeans(A,19)
这产生 IDX(369x1)和点击率(19x10)
我得到的点到here.All我的所述的行19点中的簇是集群。
现在我有一个数组B(49x10).I想知道这个B的行中给定的19簇之中对应。
怎么可能在MATLAB?
感谢您预先
解决方案
我想不出更好的方式来做到这一点比你所描述的。内置的功能可以节省一个线,但我找不到一个。下面是我使用的代码:
[ids ctrs]=kmeans(A,19);
D = dist([testpoint;ctrs]); %testpoint is 1x10 and D will be 20x20
[distance testpointID] = min(D(1,2:end));
其他提示
以下是聚类的一个完整的示例:
%% generate sample data
K = 3;
numObservarations = 100;
dimensions = 3;
data = rand([numObservarations dimensions]);
%% cluster
opts = statset('MaxIter', 500, 'Display', 'iter');
[clustIDX, clusters, interClustSum, Dist] = kmeans(data, K, 'options',opts, ...
'distance','sqEuclidean', 'EmptyAction','singleton', 'replicates',3);
%% plot data+clusters
figure, hold on
scatter3(data(:,1),data(:,2),data(:,3), 50, clustIDX, 'filled')
scatter3(clusters(:,1),clusters(:,2),clusters(:,3), 200, (1:K)', 'filled')
hold off, xlabel('x'), ylabel('y'), zlabel('z')
%% plot clusters quality
figure
[silh,h] = silhouette(data, clustIDX);
avrgScore = mean(silh);
%% Assign data to clusters
% calculate distance (squared) of all instances to each cluster centroid
D = zeros(numObservarations, K); % init distances
for k=1:K
%d = sum((x-y).^2).^0.5
D(:,k) = sum( ((data - repmat(clusters(k,:),numObservarations,1)).^2), 2);
end
% find for all instances the cluster closet to it
[minDists, clusterIndices] = min(D, [], 2);
% compare it with what you expect it to be
sum(clusterIndices == clustIDX)
我不知道如果我得到你的意思正确的,但如果你想知道哪个簇的点属于可以方便地使用KnnSearch功能。它有两个参数,将在第一个参数搜索它们的第一个最接近的说法两项。
假设你正在使用平方欧氏距离度量,试试这个:
for i = 1:size(ctrs,2)
d(:,i) = sum((B-ctrs(repmat(i,size(B,1),1),:)).^2,2);
end
[distances,predicted] = min(d,[],2)
预测然后应包含最接近的质心的索引,和距离应包含的距离为最接近的质心。
看一看的k均值函数内,在子功能“distfun”。此说明了如何做到以上,并且还包含用于其它距离度量的等同物。
有少量的数据,可以执行
[testpointID,dum] = find(permute(all(bsxfun(@eq,B,permute(ctrs,[3,2,1])),2),[3,1,2]))
但是这是有点模糊;与置换点击率的bsxfun创建一个49×10×19阵列的布尔值,然后将其“全编”横跨第二维度,置换回来,然后行ID中找到。再次,可能是不实际的对大量数据的
不隶属于 StackOverflow