【MATLAB例程】K-Means 聚类的代码例程，带数据生成、聚类计算、结果显示、误差输出等，附运行截图

本文所述的MATLAB代码实现了完整的K-Means聚类算法演示，适用于数据聚类学习、算法验证。代码通过模拟数据生成、聚类分析、结果可视化及误差评估，直观展示了K-Means的工作原理和性能。

程序简介

代码核心功能

1. 数据生成

   • 创建4个高斯分布簇（共200个样本点）
   • 每个簇具有不同中心点 [3,3], [-3,3], [3,-3], [-3,-3] 和标准差
   • 数据合并后随机打乱顺序，模拟真实数据集

2. K-Means聚类

   • 使用MATLAB内置 kmeans() 函数执行聚类
   • 关键参数：
     • k=4（指定簇数量）
     • MaxIter=100（最大迭代次数）
     • Replicates=5（重复聚类取最优解）
   • 输出聚类标签、质心坐标、簇内误差

3. 可视化分析

   • 聚类结果图：散点着色区分簇，黑色"X"标记质心
   • 误差收敛图：展示迭代过程中总误差的下降过程
   • 数据分布对比：
     • 原始数据分布（相同颜色）
     • 真实标签分布（不同符号区分）
     • 聚类结果与真实标签对比图

4. 量化评估

   • 计算并输出：
     • 总误差：totalError = sum(sumd)
     • 各簇内距离误差：disp(sumd)

关键特性

• 可复现性：通过 rng() 固定随机种子
• 抗局部最优：Replicates 参数多次运行取最优解
• 直观验证：可视化对比人工生成数据与聚类结果
• 算法诊断：误差收敛曲线验证迭代优化效果

运行结果

原始数据：

分类结果：

结果输出：

matlab代码

程序结构

部分代码

% K-Means 聚类 MATLAB 示例代码
clc; clear; close all;
rng(0);
%%  生成随机数据
% 数据点数
numPoints = 200;

% 随机生成 4 个簇的数据
rng(1); % 设置随机种子以便复现
data1 = 3*randn(numPoints/4, 2) + [3, 3];
data2 = 2*randn(numPoints/4, 2) + [-3, 3];
data3 = randn(numPoints/4, 2) + [3, -3];
data4 = randn(numPoints/4, 2) + [-3, -3];

% 合并数据
data = [data1; data2; data3; data4];

% 打乱数据顺序
data = data(randperm(size(data, 1)), :);

完整代码获取

如需帮助，或有导航、定位滤波相关的代码定制需求，请点击下方卡片联系作者