%matlab code
% K-means Cluster
%load data.dat
%x,y的范围为0~50，x_data是一个1行100列的行矩阵
x_data = 50*rand(1,100);
y_data = 50*rand(1,100);
% x_data = data(:,1);表示data对应的横坐标
% y_data = data(:,2);表示data对应的纵坐标
data_size = length(x_data);
a = randsample(1:data_size,2); %randsample函数表示在1~data_size范围内产生两个随机数
c1_x = x_data(a(1)); %将选定的第一个点的横坐标赋值给c1的x
c1_y = y_data(a(1)); %将选定的第一个点的纵坐标赋值给c1的y
c2_x = x_data(a(2));
c2_y = y_data(a(2));
iter = 2; %用来表示点的大小
max_iter = 100; %设定点大小程度的最大值
J_1 = 1; %J_1表示误差平方和，用来评价聚类性能
J_2 = 1;
Figure
%下面的while循环是用来判断程序何时停止，当J_1或J_2两次的误差平方和小于0.1或者iter达到100，程序就会停止
while J_1>0.1 && J_2>0.1&& iter<max_iter
c1_xx = 0;
c1_yy = 0;
c2_xx = 0;
c2_yy = 0;
c1_num = 0;
c2_num = 0;
for k=1:data_size
Distance1 = (x_data(k)-c1_x)^2 + (y_data(k)-c1_y)^2 ; %计算到类中心的距离
Distance2 = (x_data(k)-c2_x)^2 + (y_data(k)-c2_y)^2 ;
if Distance1 > Distance2 %将点k归到最近的类中
lable(k) = 1; %k距离c2比较近，就将其归到c2的类中
c2_xx = c2_xx+x_data(k);
c2_yy = c2_yy+y_data(k);
c2_num = c2_num+1; %统计归到类中的数据个数
else
lable(k) = 0; %反之，归到c1的类中
c1_xx = c1_xx+x_data(k);
c1_yy = c1_yy+y_data(k);
c1_num = c1_num+1;
end
end
c1_xx = c1_xx/c1_num; %计算c1,c2两个类中的坐标平均值来作为下一次类中心
c1_yy = c1_yy/c1_num;
c2_xx = c2_xx/c2_num;
c2_yy =c2_yy/c2_num;
%计算本次和上次类中心的误差平方和作为评价阈值
J_1 =(c1_x-c1_xx)^2 + (c1_y-c1_yy)^2 ;
J_2 =(c2_x-c2_xx)^2 + (c2_y-c2_yy)^2 ;
c1_x = c1_xx; %将本次得到的新的类中心坐标赋给设定的类中心
c1_y = c1_yy;
c2_x = c2_xx;
c2_y = c2_yy;
iter = iter+3 %每循环一次将类中心点的大小加3,
hold on
plot(c1_x,c1_y,’bp’,’MarkerSize’,iter) %MarkerSize表示点的大小，默认大小为6.0
hold on
plot(c2_x,c2_y,’mp’,’MarkerSize’,iter)
end
% figure
% plot(c1_x,c1_y,’kp’,’MarkerSize’,iter+2)
% hold on
% plot(c2_x,c2_y,’rp’,’MarkerSize’,iter+2)
for idx = 1:data_size
if lable(idx) == 1
hold on
plot(x_data(idx),y_data(idx),’ro’)
else
hold on
plot(x_data(idx),y_data(idx),’ko’)
end
end
