【GA优化K-means不求人】遗传算法优化Kmeans聚类+MATLAB轻代码

本期资料，关注微信公众号【橙子数据军团】后台回复“K均值””

一、K-means聚类原理介绍

• K-means算法的核心思想是将样本之间距离作为分类标准，事先设定好聚类数k，再通过聚类中心的合理选择，使得同类别中的样本间距离尽可能小。
• 属于无监督学习。
• 动画演示网址

二、K-means优化设计要点

1. 聚类数K值的确定
2. 初始聚类中心点的确定（GA重点优化选项）
3. 聚类效果的可视化（高维数据可视化）
4. 多种聚类效果评价指标

三、MATLAB实践操作（K-means）

实时编辑器自动设置（参考视频教程）

代码编辑

1. 读取数据

clc;clear;% 清空
A=xlsread('模板数据');

2. 确定最佳聚类数K

fh = @(X,K)(kmeans(X,K));
eva = evalclusters(A,fh,"CalinskiHarabasz","KList",2:5);
clear fh
K = eva.OptimalK;
clusterIndices = eva.OptimalY;

3. 显示簇计算标准值

figure
bar(eva.InspectedK,eva.CriterionValues);
xticks(eva.InspectedK);
xlabel("Number of clusters");
ylabel("Criterion values - Calinski-Harabasz");
legend("Optimal number of clusters is " + num2str(K))
title("Evaluation of Optimal Number of Clusters")
disp("Optimal number of clusters is " + num2str(K));

4. 计算质心

centroids = grpstats(A,clusterIndices,"mean");

5. 可视化展示聚类效果

% 使用指定范围选择最佳簇个数(K 值)
fh = @(X,K)(kmeans(X,K));
eva = evalclusters(A,fh,"CalinskiHarabasz","KList",2:5);
clear fh
K = eva.OptimalK;
clusterIndices = eva.OptimalY;

% 显示簇计算标准值
figure
bar(eva.InspectedK,eva.CriterionValues);
xticks(eva.InspectedK);
xlabel("Number of clusters");
ylabel("Criterion values - Calinski-Harabasz");
legend("Optimal number of clusters is " + num2str(K))
title("Evaluation of Optimal Number of Clusters")
disp("Optimal number of clusters is " + num2str(K));
clear eva

% 计算质心
centroids = grpstats(A,clusterIndices,"mean");

% 显示结果

% 显示二维散点图(PCA)
figure
[~,score] = pca(A);
clusterMeans = grpstats(score,clusterIndices,"mean");
h = gscatter(score(:,1),score(:,2),clusterIndices,colormap("lines"));
for i = 1:numel(h)
    h(i).DisplayName = strcat("Cluster",h(i).DisplayName);
end
clear h i score
hold on
h = scatter(clusterMeans(:,1),clusterMeans(:,2),50,"kx","LineWidth",2);
hold off
h.DisplayName = "ClusterMeans";
clear h clusterMeans
legend;
title("First 2 PCA Components of Clustered Data");
xlabel("First principal component");
ylabel("Second principal component");

四、MATLAB实践操作（GA优化K-means）

1. 优化后结果可视化

2. 聚类结果评价

<,,>

具体内容参考视频教程

五、资料获取

本期资料，关注微信公众号【橙子数据军团】后台回复“K均值