K-means在Matlab中

Question

我有一个由矩阵A =（100x15）表示的知识库（KB），我必须将此KB聚类到5个集群中。

我在Matlab中使用了代码：

idx=kmeans(A,5)

我为矩阵A的每一行获得了一个带有簇索引的结果idx。

现在我有一个新的向量B =（1x15）一种新的条目，我必须从先前的聚类开始聚类这个新的向量。

当我将新条目B添加到KB时，我回想起C的功能（由A和B组成）

idx1=kmeans(C,5)

我获得了一个新的idx1，其结果与idx不同。

我的范围是了解B群集关于集群获取KB的群集。

你能帮帮我吗？

提前致谢。

Answer 1

听起来您想要将新数据点与已识别的群集进行比较。我不确定这将始终给出您期望的结果，但您可以计算到每个群集的欧几里德距离质心并选择最小的。

示例

原始数据，构造成具有四个集群：

%// original data
A=[randn(25,1),   randn(25,1);
   randn(25,1)+5, randn(25,1);
   randn(25,1)+5, randn(25,1)+5;
   randn(25,1),   randn(25,1)+5];
plot(A(:,1),A(:,2),'k.');
hold on;

K-means聚类，K = 4个聚类：

K=4;
[idx,centroids]=kmeans(A,K);
for n=1:K
    plot(A(idx==n,1),A(idx==n,2),'o');
end

请注意，kmeans的第二个输出会返回每个群集的质心坐标。

随机新点：

%// new point:
B=2*randn(1,2);
plot(B(1),B(2),'rx');

新点与所有质心之间的距离：

dist2cent = sqrt(sum((repmat(B,[K,1])-centroids).^2,2));

最小距离指数：

[~,closest] = min(dist2cent);

plot([centroids(closest,1), B(1)],...
     [centroids(closest,2), B(2)],...
     'r-');