kmeans

k聚类则

折叠所有页面

语法

idx = kmeans (X, k)

idx = kmeans (X, k,名称,值)

[idx C] = kmeans (＿＿＿）

[idx C sumd] = kmeans (＿＿＿）

(sumd idx, C, D) = kmeans (＿＿＿）

描述

例子

idx= kmeans (X，k）执行k聚类则划分观察n——- - - - - -p数据矩阵X成k，并返回n1向量(idx)，包含每个观测的聚类指数。行X对应点，列对应变量。

默认情况下,kmeans使用平方欧几里得距离度量和k——+ +算法用于集群中心初始化。

例子

idx= kmeans (X，k，名称,值）返回带有一个或多个指定的附加选项的集群索引名称,值对参数。

例如，指定余弦距离、使用新初始值重复聚类的次数或使用并行计算的次数。

例子

［idx，C) = kmeans (＿＿＿）返回k簇的质心位置k——- - - - - -p矩阵C．

例子

［idx，C，sumd) = kmeans (＿＿＿）中的点到质心距离的簇内和k1的向量sumd．

例子

［idx，C，sumd，D) = kmeans (＿＿＿）函数中每个点到每个质心的距离n——- - - - - -k矩阵D．

例子

全部折叠

训练k——聚类算法

打开生活的脚本

集群的数据使用k-表示集群，然后绘制集群区域。

载入费雪的虹膜数据集。使用花瓣的长度和宽度作为预测因素。

负载fisheririsX =量(:,3:4);图;情节(X (: 1) X (:, 2),“k *’，“MarkerSize”5);标题“费舍尔的虹膜数据”；包含“花瓣长度(厘米)”；ylabel“花瓣宽度(cm)”；

较大的聚类似乎分成了一个低方差区域和一个高方差区域。这可能表明较大的星团是两个重叠的星团。

集群的数据。指定k= 3集群。

rng (1);%的再现性[idx C] = kmeans (X, 3);

kmeans使用k- mean++算法的质心初始化和平方欧几里得距离默认。通过设置值来搜索较低的局部最小值是一个很好的实践“复制”名称-值对的论点。

idx中预测的聚类指数向量是否与观测值相对应X．C是一个包含最终质心位置的3 × 2矩阵。

使用kmeans计算从每个质心到网格上各点的距离。要做到这一点，通过质心(C)，并在网格上指向kmeans，并实现算法的一次迭代。

x1 = min (X(: 1)): 0.01:马克斯(X (: 1));x2 = min (X(:, 2)): 0.01:马克斯(X (:, 2));[x1G, x2G] = meshgrid (x1, x2);XGrid = [x1G (:), x2G (:));在plot上定义一个精细的网格idx2Region = kmeans (XGrid 3“麦克斯特”, 1“开始”C);

警告:在1次迭代中收敛失败。

%将网格中的每个节点分配到最近的质心

kmeans显示一个警告，说明算法没有收敛，这是您应该预料到的，因为软件只实现了一个迭代。

绘制集群区域。

图;gscatter (XGrid (: 1) XGrid (:, 2), idx2Region,．..[0, 0.75, 0.75, 0.75, 0, 0.75, 0.75, 0.75, 0],“. .”）;持有在；情节(X (: 1) X (:, 2),“k *’，“MarkerSize”5);标题“费舍尔的虹膜数据”；包含“花瓣长度(厘米)”；ylabel“花瓣宽度(cm)”；传奇(“地区1”，《区域2》，区域3的，“数据”，“位置”，“东南”）;持有从；

将数据划分为两个集群

打开生活的脚本

随机生成样本数据。

rng默认的；%的再现性X = [randn(100 2) * 0.75 +(100 2)的;randn(100 2) * 0.5的(100 2)];图;情节(X (: 1) X (:, 2),“。”）;标题随机生成的数据的；

数据中似乎有两组。

将数据划分为两个集群，并在五个初始化中选择最佳的安排。显示最终输出。

选择= statset (“显示”，“最后一次”）;[idx C] = kmeans (X, 2,“距离”，“cityblock”，．..“复制”5,“选项”、选择);

重复1,3次迭代，总距离之和= 201.533。重复2,5次迭代，总距离之和= 201.533。重复3,3次迭代，总距离之和= 201.533。重复4,3次迭代，总距离之和= 201.533。重复5次，2次迭代，总距离之和= 201.533。距离的最佳总和= 201.533

默认情况下，软件将单独初始化复制k——+ +。

画出星团和星团中心。

图;情节(X (idx = = 1,1) X (idx = = 1、2),“r”。，“MarkerSize”, 12)在情节(X (idx = = 2, 1), X (idx = = 2, 2),“b”。，“MarkerSize”12)情节(C (: 1), C (:, 2),“kx”，．..“MarkerSize”15岁的“线宽”3)传说(“集群1”，《集群2》，“重心”，．..“位置”，“西北”)标题“集群分配和质心”持有从

您可以通过传递来确定集群的分离程度idx来轮廓．

使用并行计算的集群数据

这个示例使用:

打开生活的脚本

聚集大型数据集可能需要时间，特别是在使用在线更新(默认设置)的情况下。如果您有一个并行计算工具箱™许可，并且设置了并行计算的选项，那么kmeans并行地运行每个集群任务(或复制)。而且,如果复制>1，则并行计算减少了收敛时间。

从高斯混合模型中随机生成一个大数据集。

μ= bsxfun (@times(20、30),(1:20)');%高斯混合均值rn30 = randn(30、30);σ= rn30 ' * rn30;%对称正定协方差Mdl = gmdistribution(μ、σ);定义高斯混合分布rng (1);%的再现性X =随机(Mdl, 10000);

Mdl是一个30-dimensionalgmdistribution模型有20个组件。X一个10000 × 30的数据矩阵是从哪里产生的Mdl．

指定并行计算的选项。

流= RandStream (“mlfg6331_64”）;%随机数流选择= statset (“UseParallel”, 1“UseSubstreams”, 1．..“流”、流);

输入参数“mlfg6331_64”的RandStream指定使用乘法滞后的斐波那契生成算法。选项是一个结构数组，其字段指定用于控制估计的选项。

使用以下方法聚类数据k——集群。指定有k=数据中20个簇，增加迭代次数。通常，目标函数包含局部最小值。指定10个复制以帮助查找更低的本地最小值。

抽搐;启动秒表计时器(sumd idx, C, D) = kmeans (X, 20,“选项”选项,“麦克斯特”, 10000,．..“显示”，“最后一次”，“复制”10);

使用“local”配置文件启动并行池(parpool)…连接到6个工人。复制5,72次迭代，总距离之和= 7.73161e+06。重复1,64次迭代，总距离之和= 7.72988e+06。重复3,68次，总距离之和= 7.72576e+06。重复4,84次，总距离之和= 7.72696e+06。重复6,82次迭代，总距离之和= 7.73006e+06。重复7,40次迭代，总距离之和= 7.73451e+06。重复2,194次迭代，总距离之和= 7.72953e+06。重复9,105次迭代，总距离之和= 7.72064e+06。 Replicate 10, 125 iterations, total sum of distances = 7.72816e+06. Replicate 8, 70 iterations, total sum of distances = 7.73188e+06. Best total sum of distances = 7.72064e+06

toc终止秒表计时器

运行时间为61.915955秒。

命令窗口表示有6个工作人员可用。在您的系统中，工作人员的数量可能会有所不同。命令窗口显示每个复制的迭代次数和终端目标函数值。输出参数包含复制9的结果，因为它的距离总和最低。

将新数据分配给现有集群并生成C/ c++代码

这个示例使用:

打开生活的脚本

kmeans执行k-表示聚类将数据划分为k集群。当您有一个新的数据集要集群时，您可以使用kmeans．的kmeans函数支持C/ c+万博1manbetx+代码生成，因此您可以生成接受训练数据并返回集群结果的代码，然后将代码部署到设备上。在这个工作流中，您必须通过训练数据，这些数据可能相当大。为了节省设备上的内存，您可以使用分离训练和预测kmeans和pdist2,分别。

使用kmeans在MATLAB®中创建集群并使用pdist2在生成的代码中将新数据分配给现有集群。对于代码生成，定义一个入口点函数，该函数接受集群质心位置和新的数据集，并返回最近的集群的索引。然后，生成入口点函数的代码。

生成C/ c++代码需要MATLAB®Coder™。

执行k聚类则

使用三个分布生成一个训练数据集。

rng (“默认”）%的再现性X = [randn(100 2) * 0.75 +(100 2)的;randn(100 2) * 0.5的(100 2);randn (100 2) * 0.75);

将训练数据分成三个聚类kmeans．

[idx C] = kmeans (X, 3);

画出星团和星团中心。

图gscatter (X (: 1), (:, 2), idx,“bgm”)举行在情节(C (: 1), C (:, 2),“kx”)传说(“集群1”，《集群2》，“集群3”，聚类质心的）

将新数据分配给现有集群

生成测试数据集。

Xtest = [randn(10, 2) * 0.75 +的(10,2);randn(10, 2) * 0.5的(10,2);randn (10, 2) * 0.75);

使用现有的集群对测试数据集进行分类。使用。找到每个测试数据点最近的质心pdist2．

[~, idx_test] = pdist2 (C Xtest“欧几里得”，“最小”1);

绘制测试数据并使用标记测试数据idx_test通过使用gscatter．

gscatter (Xtest (: 1) Xtest (:, 2), idx_test,“bgm”，“哦”)传说(“集群1”，《集群2》，“集群3”，聚类质心的，．..“数据分类为第一组”，“数据分类为第二组”，．..“数据分类为第3组”）

生成代码

生成C代码，将新数据分配给现有的集群。请注意，生成C/ c++代码需要MATLAB®Coder™。

定义一个入口点函数名为findNearestCentroid它接受质心位置和新数据，然后通过使用pdist2．

添加% # codegen编译器指令(或pragma)到函数签名后的入口点函数，以指示您打算为MATLAB算法生成代码。添加此指令将指示MATLAB代码分析器帮助您诊断和修复在代码生成期间可能导致错误的违规。

类型findNearestCentroid%显示findNearestCentroid.m的内容

函数idx = findNearestCentroid(C,X) %#codegen [~，idx] = pdist2(C,X，'欧几里得'，'最小'，1);找到最近的质心

注意:如果你点击这个页面右上角的按钮，并在MATLAB®中打开这个示例，那么MATLAB®将打开示例文件夹。这个文件夹包括入口点函数文件。

使用以下命令生成代码codegen．因为C和c++都是静态类型语言，所以必须在编译时确定入口点函数中所有变量的属性。的输入的数据类型和数组大小findNearestCentroid，传递一个MATLAB表达式，该表达式表示具有特定数据类型和数组大小的值集，使用arg游戏选择。有关详细信息,请参见为代码生成指定可变大小参数．

codegenfindNearestCentroidarg游戏{C, Xtest}

codegen生成MEX函数findNearestCentroid_mex与平台相关的扩展。

验证生成的代码。

myIndx = findNearestCentroid (C, Xtest);myIndex_mex = findNearestCentroid_mex (C, Xtest);verifyMEX = isequal (idx_test myIndx myIndex_mex)

verifyMEX =逻辑1

isequal返回逻辑1 (真正的)，这意味着所有的输入都是相等的。比较证实了pdist2函数,findNearestCentroid函数，而MEX函数返回相同的索引。

您还可以使用GPU编码器™生成优化的CUDA®代码。

cfg = coder.gpuConfig (墨西哥人的）;codegen配置cfgfindNearestCentroidarg游戏{C, Xtest}

有关代码生成的更多信息，请参见通用代码生成工作流．有关GPU编码器的更多信息，请参见开始使用GPU编码器(GPU编码器)和万博1manbetx支持功能(GPU编码器)。

输入参数

全部折叠

`X`- - - - - -数据
数字矩阵

数据，指定为数字矩阵。的行X对应观察值，列对应变量。

如果X是数字向量吗kmeans把它当作n-by-1数据矩阵，不管它的方向。

该软件将南年代X删除丢失的数据并删除X至少包含一个南．删除行X减少样本量。的kmeans函数返回南获取输出参数中相应的值idx．

数据类型:单|双

`k`- - - - - -数量的集群
正整数

数据中的集群数量，指定为正整数。

数据类型:单|双

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“距离”、“余弦”,“复制”,10日,“选项”,statset (UseParallel, 1)指定余弦距离，10以不同的起始值复制集群，并使用并行计算。

`“显示”`- - - - - -要显示的输出水平
`“关闭”`(默认)|`“最后一次”`|`“通路”`

要在命令窗口中显示的输出级别，指定为由逗号分隔的对组成“显示”以及下列选项之一:

“最后一次”—显示最后一次迭代的结果
“通路”—显示每次迭代的结果
“关闭”——显示什么

例子:“显示”、“最后”

`“距离”`- - - - - -距离度量
`“sqeuclidean”`(默认)|`“cityblock”`|`的余弦`|`“相关”`|`“汉明”`

距离度量,p维空间，用于最小化，指定为由逗号分隔的对组成“距离”和“sqeuclidean”，“cityblock”，的余弦，“相关”,或“汉明”．

kmeans为支持的距离度量以不同的方式计算质心集群。万博1manbetx该表总结了可用的距离度量。在公式,x是一种观察(即一排X),c为质心(行向量)。

距离度量	描述	公式
`“sqeuclidean”`	欧几里得距离的平方(默认)。每个质心都是该簇中各点的均值。	$d （ x ， c ）＝（ x - c ）（ x - c ）^{”}$
`“cityblock”`	绝对差的和，即l1的距离。每个质心是该集群中各点的分量中值。	$d （ x ， c ）＝ \sum_{j ＝ 1}^{p} \| x_{j} - c_{j} \|$
`的余弦`	1减去点之间夹角的余弦值(作为向量)。每个质心是该聚类中的点的均值，将这些点归一化为单位欧几里得长度。	$d （ x ， c ）＝ 1 - \frac{x c ”}{\sqrt{（ x x^{”} ）（ c c ” ）}}$
`“相关”`	一减去点之间的样本相关性(作为值的序列处理)。每个质心是该聚类中各点的分量均值，对这些点进行中心和归一化，使其均值和单位标准差为零。	$d （ x ， c ）＝ 1 - \frac{（ x - \vec{\bar{x}} ） {（ c - \vec{\bar{c}} ）}^{”}}{\sqrt{（ x - \vec{\bar{x}} ） {（ x - \vec{\bar{x}} ）}^{”}} \sqrt{（ c - \vec{\bar{c}} ） {（ c - \vec{\bar{c}} ）}^{”}}} ，$ 在哪里 $\vec{\bar{x}} ＝ \frac{1}{p} （ \sum_{j ＝ 1}^{p} x_{j} ） {\vec{1}}_{p}$ $\vec{\bar{c}} ＝ \frac{1}{p} （ \sum_{j ＝ 1}^{p} c_{j} ） {\vec{1}}_{p}$ ${\vec{1}}_{p}$ 行向量是p的人。
`“汉明”`	这个度量仅适用于二进制数据。它是不同位的比例。每个质心是该集群中各点的分量中值。	$d （ x ， y ）＝ \frac{1}{p} \sum_{j ＝ 1}^{p} 我｛ x_{j} \neq y_{j} ｝，$ 在哪里我为指标函数。

例子:“距离”、“cityblock”

`“EmptyAction”`- - - - - -如果集群丢失了所有的成员观测，将采取的操作
`“单”`(默认)|`“错误”`|`“下降”`

如果集群失去了所有的成员观测值，则执行该操作“EmptyAction”和下列选项之一。

价值	描述
`“错误”`	将空集群视为错误。
`“下降”`	删除任何变为空的集群。`kmeans`中设置相应的返回值`C`和`D`来`南`．
`“单”`	创建一个新的集群，由离中心最远的一个点组成(默认)。

例子:“EmptyAction”、“错误”

`“麦克斯特”`- - - - - -最大迭代次数
`One hundred.`(默认)|正整数

最大迭代次数，由逗号分隔对组成“麦克斯特”一个正整数。

例子:麦克斯特,1000年

数据类型:双|单

`“OnlinePhase”`- - - - - -在线更新标志
`“关闭”`(默认)|`“上”`

在线更新标志，指定为逗号分隔对，由“OnlinePhase”和“关闭”或“上”．

如果OnlinePhase是在,然后kmeans除批量更新阶段外，还执行在线更新阶段。对于大型数据集来说，在线阶段可能会很耗时，但可以保证解决方案是距离标准的局部最小值。换句话说，软件找到一个数据分区，在这个分区中，将任何一个单点移动到不同的集群中，都会增加距离的总和。

例子:“OnlinePhase”,“上”

`“选项”`- - - - - -为最小化拟合准则而控制迭代算法的选项
`［］`(默认)|返回的结构数组`statset`

用于控制最小化拟合准则的迭代算法的选项，指定为由逗号分隔的对组成“选项”和返回的结构数组statset．万博1manbetx结构数组支持的字段指定控制迭代算法的选项。

该表总结了受支持的字段。万博1manbetx注意，受支持的字段需要Par万博1manbetxallel Computing Toolbox™。

场描述

场	描述
`“流”`	一个`RandStream`对象或此类对象的单元格数组。如果没有指定`流`，`kmeans`使用默认流或流。如果您指定`流`，除非下列所有条件都存在，否则使用单个对象: 你有一个开放的平行池。 `UseParallel`是`真正的`． `UseSubstreams`是`假`．在本例中，使用与并行池相同大小的单元格数组。如果并行池未打开，则`流`必须提供一个随机数字流。
`“UseParallel”`	如果`真正的`和`复制`> 1,那么`kmeans`实现了k-表示并行处理每个副本的算法。如果未安装并行计算工具箱，则以串行方式进行计算。默认值是`假`，表示串行计算。
`“UseSubstreams”`	设置为`真正的`并行计算以可复制的方式并行计算默认值是`假`．若要重复计算，请设置`流`到允许子流的类型:`“mlfg6331_64”`或`“mrg32k3a”`．

“流”

一个RandStream对象或此类对象的单元格数组。如果没有指定流，kmeans使用默认流或流。如果您指定流，除非下列所有条件都存在，否则使用单个对象:

你有一个开放的平行池。
UseParallel是真正的．
UseSubstreams是假．

在本例中，使用与并行池相同大小的单元格数组。如果并行池未打开，则流必须提供一个随机数字流。

“UseParallel”

如果真正的和复制> 1,那么kmeans实现了k-表示并行处理每个副本的算法。
如果未安装并行计算工具箱，则以串行方式进行计算。默认值是假，表示串行计算。

“UseSubstreams” 设置为真正的并行计算以可复制的方式并行计算默认值是假．若要重复计算，请设置流到允许子流的类型:“mlfg6331_64”或“mrg32k3a”．

为了确保更可预测的结果，使用parpool并在调用之前显式地创建并行池kmeans和设置“选项”,statset (UseParallel, 1)．

例子:“选项”,statset (UseParallel, 1)

数据类型:结构体

`“复制”`- - - - - -使用新的初始群集质心位置重复群集的次数
`1`(默认)|正整数

使用新的初始集群质心位置重复集群的次数，指定为逗号分隔的对组成“复制”和一个整数。kmeans返回最低的解sumd．

你可以设置“复制”方法的值可以隐式地提供一个3-D数组“开始”名称-值对的论点。

例子:“复制”,5

数据类型:双|单

`“开始”`- - - - - -群集初始质心位置的选择方法
`“+”`(默认)|`“集群”`|`“样本”`|`“统一”`|数字矩阵|数字数组

选择初始群集质心位置的方法(或种子)，指定为逗号分隔的对，由“开始”和“集群”，“+”，“样本”，“统一”，数字矩阵或数字数组。该表总结了选择种子的可用选项。

价值	描述
`“集群”`	对随机的10%子样本执行初步聚类阶段`X`当子样本中的观测次数大于`k`．这个初始阶段是使用`“样本”`．如果10%的随机子样本中的观测数小于`k`，然后软件进行选择`k`观察从`X`在随机的。
`“+”`(默认)	选择`k`通过实现k——+ +算法用于集群中心初始化。
`“样本”`	选择`k`观察从`X`在随机的。
`“统一”`	选择`k`点的范围均匀地随机分布`X`．对汉明距离无效。
数字矩阵	`k`——- - - - - -p质心起始位置矩阵。的行`开始`对应于种子。软件的推断`k`从第一个维度`开始`，所以你可以通过`［］`为`k`．
数字数组	`k`——- - - - - -p——- - - - - -r质心起始位置数组。每页的行对应种子。第三个维度调用集群例程的复制。页面j包含用于复制的种子集j．该软件推断复制的数量(由`“复制”`名称-值对参数)从第三维的大小。

例子:“开始”、“样本”

数据类型:字符|字符串|双|单

输出参数

全部折叠

`idx`——集群指数
数字列向量

作为数字列向量返回的群集索引。idx有多少行X，每一行表示相应观测的聚类分配。

`C`-集群质心位置
数字矩阵

群集中心位置，以数字矩阵的形式返回。C是一个k——- - - - - -p矩阵,行j簇的质心是什么j．

`sumd`-点到质心距离的簇内和
数字列向量

点到质心距离的簇内和，作为数字列向量返回。sumd是一个k-by-1向量，其中元素j簇内点到质心距离的总和j．

`D`-每个点到每个质心的距离
数字矩阵

每个点到每个质心的距离，以数字矩阵的形式返回。D是一个n——- - - - - -k矩阵，其中元素(j，米)为观测距离j为重心米．

算法

kmeans采用两阶段迭代算法最小化点到质心距离的和，求和k集群。
1. 第一阶段使用批量更新，每次迭代包括将点全部重新分配到它们最近的簇心，然后重新计算簇心。这个阶段有时不收敛于局部最小解。也就是说，在数据的分区中，将任何一个点移动到不同的集群中，都会增加距离的总和。这对于小数据集来说更有可能。批处理阶段是快速的，但可能只近似于作为第二阶段起点的解决方案。
2. 第二阶段使用在线更新，如果这样做可以减少距离的总和，那么将单独重新分配点，并且在每次重新分配后重新计算聚类质心。在此阶段的每个迭代包含一次遍历所有点。这个相位收敛到一个局部最小值，尽管可能有其他具有更小的总距离和的局部最小值。一般来说，寻找全局最小值是通过穷尽地选择起始点来解决的，但是使用几个随机起始点的重复通常会得到一个全局最小值的解。
如果复制＝r> 1,开始是+(默认值)，然后软件进行选择r可能是不同的种子根据k——+ +算法．
如果您启用UseParallel选项选项和复制> 1，然后每个工蜂并行选择种子和集群。

参考文献

亚瑟，大卫和塞吉·瓦西里维茨基。" K-means++:小心播种的好处"SODA ' 07:第十八届ACM-SIAM年度离散算法研讨会论文集．2007年,页1027 - 1035。

[2] Lloyd, Stuart P. < PCM中的最小二乘量化>IEEE信息理论汇刊．1982年第28卷，129-137页。

g.a. F. Seber多变量的观察．John Wiley & Sons, Inc.， 1984。

[4] Spath, H。聚类剖析与分析:理论，FORTRAN程序，实例．J.戈德施密特(J. Goldschmidt)翻译。纽约:霍尔斯特德出版社，1985年。

扩展功能

高大的数组
使用具有大于内存容量的行数的数组进行计算。

使用注意事项及限制:

万博1manbetx支持的语法是:
- idx = kmeans (X, k)
- [idx C] = kmeans (X, k)
- [idx C sumd] = kmeans (X, k)
- (___) = kmeans(___、名称、值)
万博1manbetx受支持的名称-值对参数及其区别如下:
- “显示”—默认值为“通路”．
- “麦克斯特”
- “选项”—仅万博1manbetx支持“TolFun”创建的结构数组的字段statset．的默认值“TolFun”是1的军医．的kmeans函数使用的值“TolFun”为点到质心距离的簇内和的终止容差。例如，可以指定“选项”,statset (e-8 TolFun, 1)．
- “复制”
- “开始”——万博1manbetx只支持“+”，“样本”，以及一个数字数组。

有关更多信息，请参见用于内存不足数据的高数组(MATLAB)。

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

如果开始方法采用随机选择，初始质心簇位置可能与MATLAB不匹配^®．
如果行数X是固定的，代码生成不删除行X包含一个南．
簇心位置在C可以有不同于MATLAB的顺序。在本例中，集群索引在idx有相应的差异。
如果您提供显示，它的价值必须是“关闭”．
如果您提供流，它必须是空的UseSubstreams必须假．
当你设置UseParallel选项真正的：
- 有些计算可以并行执行，即使复制是1．对于大数据集，当复制是1，考虑设置UseParallel选项真正的．
- kmeans使用parfor创建在受支持的共享内存多核平台上并行运行的循环。万博1manbetx并行运行的循环可能比在单个线程上运行的循环更快。如果您的编译器不支持开放多处理(OpenMP)应用程万博1manbetx序接口或禁用OpenMP库，MATLAB编码器™将parfor循环,为循环。要查找支持的编译万博1manbetx器，请参见万博1manbetx支持编译器．
为了在您部署生成代码的设备上节省内存，您可以使用kmeans和pdist2,分别。使用kmeans在MATLAB中创建集群并使用pdist2在生成的代码中将新数据分配给现有集群。对于代码生成，定义一个入口点函数，该函数接受集群质心位置和新的数据集，并返回最近的集群的索引。然后，生成入口点函数的代码。例如，请参见将新数据分配给现有集群并生成C/ c++代码．
从R2020a开始,kmeans返回整数类型(int32)索引，而不是双精度索引，以生成独立的C/ c++代码。因此，当您使用单精度输入时，该函数允许更严格的单精度支持。万博1manbetx对于MEX代码生成，该函数仍然返回双精度索引以匹配MATLAB行为。

有关代码生成的更多信息，请参见代码生成简介和通用代码生成工作流．

自动并行支持万博1manbetx
使用并行计算工具箱™自动并行运行计算，加速代码。

要并行运行，请设置“UseParallel”选项真正的．

设置“UseParallel”字段的选项结构真正的使用statset并指定“选项”调用此函数时的名称-值对参数。

例如:“选项”,statset (UseParallel,真的)

有关更多信息，请参见“选项”名称-值对的论点。

有关并行计算的更多通用信息，请参见运行MATLAB函数与自动并行支持万博1manbetx(并行计算工具箱)。

GPU数组
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

该功能完全支持GPU阵列。万博1manbetx有关更多信息，请参见在GPU上运行MATLAB函数(并行计算工具箱)。

另请参阅

kmeans

语法

描述

例子

训练k——聚类算法

将数据划分为两个集群

使用并行计算的集群数据

将新数据分配给现有集群并生成C/ c++代码

输入参数

X- - - - - -数据数字矩阵

k- - - - - -数量的集群正整数

名称-值对的观点

“显示”- - - - - -要显示的输出水平“关闭”(默认)|“最后一次”|“通路”

“距离”- - - - - -距离度量“sqeuclidean”(默认)|“cityblock”|的余弦|“相关”|“汉明”

“EmptyAction”- - - - - -如果集群丢失了所有的成员观测，将采取的操作“单”(默认)|“错误”|“下降”

“麦克斯特”- - - - - -最大迭代次数One hundred.(默认)|正整数

“OnlinePhase”- - - - - -在线更新标志“关闭”(默认)|“上”

“选项”- - - - - -为最小化拟合准则而控制迭代算法的选项［］(默认)|返回的结构数组statset

“复制”- - - - - -使用新的初始群集质心位置重复群集的次数1(默认)|正整数

“开始”- - - - - -群集初始质心位置的选择方法“+”(默认)|“集群”|“样本”|“统一”|数字矩阵|数字数组

输出参数

idx——集群指数数字列向量

C-集群质心位置数字矩阵

sumd-点到质心距离的簇内和数字列向量

D-每个点到每个质心的距离数字矩阵

更多关于

k聚类则

k——+ +算法

算法

参考文献

扩展功能

高大的数组使用具有大于内存容量的行数的数组进行计算。

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

自动并行支持万博1manbetx使用并行计算工具箱™自动并行运行计算，加速代码。

GPU数组使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

另请参阅

主题

之前介绍过的R2006a

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

`X`- - - - - -数据
数字矩阵

`k`- - - - - -数量的集群
正整数

`“显示”`- - - - - -要显示的输出水平
`“关闭”`(默认)|`“最后一次”`|`“通路”`

`“距离”`- - - - - -距离度量
`“sqeuclidean”`(默认)|`“cityblock”`|`的余弦`|`“相关”`|`“汉明”`

`“EmptyAction”`- - - - - -如果集群丢失了所有的成员观测，将采取的操作
`“单”`(默认)|`“错误”`|`“下降”`

`“麦克斯特”`- - - - - -最大迭代次数
`One hundred.`(默认)|正整数

`“OnlinePhase”`- - - - - -在线更新标志
`“关闭”`(默认)|`“上”`

`“选项”`- - - - - -为最小化拟合准则而控制迭代算法的选项
`［］`(默认)|返回的结构数组`statset`

`“复制”`- - - - - -使用新的初始群集质心位置重复群集的次数
`1`(默认)|正整数

`“开始”`- - - - - -群集初始质心位置的选择方法
`“+”`(默认)|`“集群”`|`“样本”`|`“统一”`|数字矩阵|数字数组

`idx`——集群指数
数字列向量

`C`-集群质心位置
数字矩阵

`sumd`-点到质心距离的簇内和
数字列向量

`D`-每个点到每个质心的距离
数字矩阵

高大的数组
使用具有大于内存容量的行数的数组进行计算。

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

自动并行支持万博1manbetx
使用并行计算工具箱™自动并行运行计算，加速代码。

GPU数组
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。