西电数据挖掘大作业kmeans

1、题目：数据挖掘学院：电子工程学院专业：智能科学与技术学生姓名：学号：02115*k-means告一、waveform数据1、算法描述1.从数据集中随意取k个初始的聚中心c1,c2,ck；数据集中的每个本点xi，算其与各个聚中心cj的欧氏距离并取其号：3.按下式重新算k个聚中心；重复步骤2和步骤3，直到达到最大迭代次数为止2、实验结果二、图像办理1、算法描述同上；2、实验结果代码：k_means:%K_means%函数说明%输入:sample样本集；k聚类数目；%输出：y类标(从0开始)cnew聚类中心n迭代次数functionycnewn=k_means(sample,k)NV=size(sa

2、mple);%N为样本的个数y=zeros(N,1);%记录样本类标dist=zeros(1,k);K为样本的维数rand_num=randperm(N);cnew=(sample(rand_num(1,1:k),:);%随机初始化聚类中心cold=zeros(k,V);n=0;while(cold=cnew)cold=cnew;n=n+1;%记录迭代次数%对样本进行重新分类fori=1:Nforj=1:kif(V=1)dist(1,j)=abs(sample(i,:)-cold(j,:);elsedist(1,j)=norm(sample(i,:)-cold(j,:);endendfors=

3、1:kif(dist(1,s)=min(dist)y(i,1)=s-1;endendend%更新聚类中心cnew=zeros(k,V);flag=zeros(k,1);fori=1:Nforj=1:kif(y(I,1)=j-1)flag(j,1)=flag(j,1)+1;cnew(j,?=cnew(j,?+sample(I,?;endendendforj=1:kcnew(j,?=cnew(j,?/flag(j,1);endendk_means_waveform:clear;clc;%数据读入%data=load(西电2014大三下大作业NK=size(data);%数据集的数目data0=ze

4、ros(1,K);data1=zeros(1,K);data2=zeros(1,K);fori=1:NDataMiningk_means);if(data(i,K)=0)data0=cat(1,data(i,:),data0);elseif(data(i,K)=1)data1=cat(1,data(i,:),data1);elsedata2=cat(1,data(i,:),data2);endendsample=cat(1,data0(1:100,:),data1(1:100,:),data2(1:100,:);label=sample(:,K);%样本的正确类标sample=sample(:

5、,1:K-1);%样本集k=3;%聚类中心的数目%K_means%ycnewn=k_means(sample,k);%正确率统计%sum=zeros(1,6);NV=size(sample);fori=1:Nif(y(i,1)=label(i,1)sum(1,1)=sum(1,1)+1;endendfori=1:Nif(y(i,1)+label(i,1)=2)sum(1,2)=sum(1,2)+1;endendfori=1:Nif(y(i,1)=0)&(label(i,1)=0)|(y(i,1)=1)&label(i,1)=2)|(y(i,1)=2)&label(i,1)=1)sum(1,3)

6、=sum(1,3)+1;endendfori=1:Nif(y(i,1)=0)&(label(i,1)=1)|(y(i,1)=1)&label(i,1)=0)|(y(i,1)=2)&label(i,1)=2)sum(1,4)=sum(1,4)+1;endendfori=1:Nif(y(i,1)=0)&(label(i,1)=1)|(y(i,1)=1)&label(i,1)=2)|(y(i,1)=2)&label(i,1)=0)sum(1,5)=sum(1,5)+1;endendfori=1:Nif(y(i,1)=0)&(label(i,1)=2)|(y(i,1)=1)&label(i,1)=0)

7、|(y(i,1)=2)&label(i,1)=1)sum(1,6)=sum(1,6)+1;endendsum=sum/N;creatrate=max(sum);disp(循环次数：);disp(n);disp(聚类中心为：);disp(cnew);disp(正确率为：);disp(creatrate);k_means_picture:clear;clc;%数据读入%I1=imread(西电2014大三下大作业DataMiningk_means);I2=rgb2gray(I1);%转变成灰度图像I=im2double(I2);numv=size(I);sample=reshape(I,v*num

8、,1);%样本集k=2;%聚类中心的数目%K_means%ycnewn=k_means(sample,k);%v%I3=sample;if(cnew(1,1)=cnew(2,1)F0=255;F1=0;elseF0=0;F1=255;endfori=1:num*vif(y(i,1)=0)I3(i,1)=F0;elseI3(i,1)=F1;endendI3=reshape(I3,num,v);figure(1)subplot(1,3,1);imshow(I1);title(原图像);subplot(1,3,2);imshow(I2);title(灰度图像);subplot(1,3,3);imsh

9、ow(I3);title(二值化图像);k_medoids实验报告一、waveform数据1、算法描述1）随机选择k个对象作为初始的代表对象；repeat指派每个节余的对象给离它近来的代表对象所代表的簇；随意地选择一个非代表对象Orandom；计算用Orandom代替Oj的总代价S；若是S%将所有样本分配到近来的代表点fori=1:Nforj=1:kdist(1,j)=norm(sample(i,:)-med(j,:);endtemp(i,1)=min(dist);fors=1:kif(dist(1,s)=temp(i,1)temp(i,2)=s;endendendy=temp(:,2);Eo

10、ld=sum(temp(:,1);%随机的选择一个非代表点，生成新的代表点会集index=index+1;med_temp=med;E=zeros(1,k);forj=1:kmed_temp(j,:)=sample(index,:);%将所有样本分配到近来的代表点fori=1:Nfort=1:kdist(1,t)=norm(sample(i,:)-med_temp(t,:);endtemp(i,1)=min(dist);fors=1:kif(dist(1,s)=temp(i,1)temp(i,2)=s;endendendE(1,j)=sum(temp(:,1);endEnew=min(E);fort=1:kif(E(1,t)=Enew)obest=t;endendif(Enew=med(2,1)F0=255;F1=0;elseF0=0;F1=255;endfori=1:num*vif(y(i,1)=1)I3(i,1)=F0;elseI3(i,1)=F1;endendI3=reshape(I3,num,v