KMeans算法的多种实现方法及MATLAB代码

KMeans算法的多种实现方法及MATLAB代码

KMeans算法是一种常用的数据聚类算法，其核心思想是将数据集划分为K个簇，使得同一簇内的数据之间的距离较近，而不同簇之间的距离较远。本文将介绍KMeans算法的多种实现方法，并提供MATLAB代码实现。

1. 原始的KMeans算法

KMeans算法的基本实现步骤如下：

（1）随机选择K个初始簇心（centroid）。

（2）将每个样本点分配到离它最近的簇心所在的簇。

（3）重新计算每个簇的簇心。

（4）重复执行步骤（2）和（3），直到所有样本点都属于某个簇而且簇心不再改变为止。

该算法的MATLAB代码如下：

function [cluster_idx, centroid] = kmeans(X, k)
    % X: n * m matrix (n samples, m features)
    % k: number of clusters
    n = size(X, 1);
    % randomly select k initial centroids
    centroid = X(randperm(n, k), :);
    last_cluster_idx = [];
    while true
        dists = pdist2(X, centroid);
        [min_dists, cluster_idx] = min(dists, [], 2);
        if all(cluster_idx == last_cluster_idx)
            % convergence
            break