matlab经典操作经验积累.docx

假设data是数据矩阵，plot(data(:,1))即画出data第一列的数据，以此类推函数调用：[center,U,obj_fcn]=fcm(meas,3)load fisheriris 录入数据集plot(iris(index1,1),iris(index1,2),r.) hoid on plot(iris(index2,1),iris(index2,2),g.) hold on plot(iris(index3,1),iris(index3,2),b.) 画出各个分类里的二维散点图,将分类里对象的第一属性和第二属性看做两个变量画在二维坐标里。help kmeans ,查看kmeans 算法K-means聚类算法采用的是将N*P的矩阵X划分为K个类，使得类内对象之间的距离最大,而类之间的距离最小。 使用方法：Idx=Kmeans(X,K)[Idx,C]=Kmeans(X,K) [Idx,C,sumD]=Kmeans(X,K) [Idx,C,sumD,D]=Kmeans(X,K) […]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…) 各输入输出参数介绍： X N*P的数据矩阵K表示将X划分为几类，为整数Idx N*1的向量，存储的是每个点的聚类标号C K*P的矩阵，存储的是K个聚类质心位置sumD 1*K的和向量，存储的是类间所有点与该类质心点距离之和D N*K的矩阵，存储的是每个点与所有质心的距离 […]=Kmeans(…,Param1,Val1,Param2,Val2,…)这其中的参数Param1、Param2等，主要可以设置为如下： 1. ‘Distance’(距离测度)‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）‘cityblock’ 绝度误差和，又称：L1‘cosine’ 针对向量‘correlation’ 针对有时序关系的值‘Hamming’ 只针对二进制数据 2. ‘Start’（初始质心位置选择方法）‘sample’ 从X中随机选取K个质心点‘uniform’ 根据X的分布范围均匀的随机生成K个质心‘cluster’ 初始聚类阶段随机选择10%的X的子样本（此方法初始使用’sample’方法）matrix 提供一K*P的矩阵，作为初始质心位置集合 3. ‘Replicates’（聚类重复次数） 整数 使用案例： x = [2 1 2;2 3 1;5 6 7;3 6 5;7 4 2;1 6 3;7 3 5;4 4 4]x = 2 1 2 2 3 1 5 6 7 3 6 5 7 4 2 1 6 3 7 3 5 4 4 4 [Idx,C,sumD,D]=kmeans(x,3,dist,sqEuclidean,rep,4) 运行结果：Idx = 1 1 3 3 2 3 2 3 C = 2.0000 2.0000 1.5000 7.0000 3.5000 3.5000 3.2500 5.5000 4.7500 sumD = 2.5000 5.0000 20.5000 D = 1.2500 33.5000 29.3750 1.2500 31.5000 21.8750 55.2500 22.5000 8.3750 29.2500 24.5000 0.3750 29.2500 2.5000 23.8750 19.2500 42.5000 8.3750 38.2500 2.5000 20.3750 14.2500 9.5000 3.3750 [Idx,C,sumD,D]=kmeans(meas,3,dist,sqEuclidean,start,sample,rep,3);plot(meas(Idx==1,1),meas(Idx==1,2),r.)hold onplot(meas(Idx==2,1),meas(Idx==2,2),g.)hold onplot(meas(Idx==3,1),meas(Idx==3,2),b.)title(聚类结果散点分布图);xlabel(对象属性1);ylabel(对象属性2);grid on; kmeans画图，画出分类后的散点图legend(Cluster1,Cluster2,Cluster3,Centroids,Location,NW) 加标注，其中NW，为西北角的意思。相应