%% 清空环境变量
clear
clc
close all
warning off
%% 导入数据
result = xlsread('数据集.xlsx');
figure;
scatter(result(:,1),result(:,2),20,'filled');
xlabel('data1');
ylabel('data2');
title('原始数据');
%% 参数设置
M = size(result, 1); % 样本数目
%% 输入特征
result = result';
%% 数据归一化
[p_train, ps_input] = mapminmax(result, 0, 1);
%% 矩阵转置
p_train = p_train';
%% 聚类算法
num_class = 3; % 聚类类别数目
[T_sim1, C, sumD] = kmeans(p_train, num_class);
%% TSNE -- 降维
pc_train = tsne(p_train);
%% 绘制结果图
figure
gscatter(pc_train(:, 1), pc_train(:, 2), T_sim1)
xlabel('降维后第一维度')
ylabel('降维后第二维度')
string = {'聚类可视化'};
title(string)
grid on
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
K均值聚类(K-Means聚类)-聚类算法-聚类可视化-MATLAB代码 本代码详细图文介绍,请点击博客主页查找对应文章查看。可保证运行,运行失败或报错免费解决。 k均值聚类算法的基本概念和原理 k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其目的是将数据集划分为K个簇,每个簇通过其质心(cluster center)来表示。算法首先随机选择K个对象作为初始聚类中心,然后计算每个对象与各个聚类中心之间的距离,将每个对象分配给距离最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。这个过程将不断重复,直到满足某个终止条件,如没有对象被重新分配给不同的聚类,或者误差平方和达到局部最小。 k均值聚类算法的步骤 选择初始聚类中心:在数据集中随机选择K个对象作为初始聚类中心。 分配对象到最近的聚类中心:计算每个对象与各个聚类中心的距离,将每个对象分配给距离最近的聚类中心。 更新聚类中心:根据每个聚类中的所有对象重新计算该聚类的中心点。 重复步骤2和3:不断重复分配对象和更新聚类中心的过程
资源推荐
资源详情
资源评论
收起资源包目录
K均值聚类K-Means.rar (2个子文件)
K均值聚类K-Means
main.m 820B
数据集.xlsx 71KB
共 2 条
- 1
资源评论
Matlab神经网络深度学习
- 粉丝: 1w+
- 资源: 109
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功