目录

1.K-means算法概述

2.k-means谱聚类算法

---

       数据分类是数据管理、数据挖掘和信息安全领域中的一项关键技术，它指的是根据数据的内在特性和业务需求，将大量、复杂的数据划分为多个有意义的类别或组别，以便于管理和处理。

1.K-means算法概述

       K-means算法是一种广泛应用的无监督机器学习聚类方法，旨在将数据集中的观测值分配到k个预定义的聚类中，使得每个聚类内的观测值彼此相似度尽可能大，而不同聚类间的相似度尽可能小。算法主要包括初始化、迭代聚类和终止条件三个主要阶段。

K-means算法通过迭代求解此优化问题，每次迭代都试图减小目标函数值，直至收敛。

综上所述，K-Means聚类算法的具体实现可以分为以下几个步骤：

初始化聚类中心点：随机选择K个数据点作为初始聚类中心点。

分配数据点到最近的聚类中心：计算每个数据点与K个聚类中心的距离，将其分配到距离最近的聚类中心所在的类别。

更新聚类中心点：计算每个类别的中心点，并更新聚类中心。

重复步骤2和3，直到聚类中心不再发生变化或达到最大迭代次数。

K-means算法存在一些局限性，如：

• 对初始质心敏感：不同的初始化可能导致不同的聚类结果。
• 假设簇形规则：算法假设数据分布呈现凸形状，对于复杂或不规则形状的聚类效果不佳。
• 必须预先指定聚类数目k，实际应用中可能难以确定最优的k 值。
• 使用欧氏距离作为相似性度量，不适用于具有不同尺度或非线性分布特征的数据。

data1=load('data1.mat');% 加载第一个数据集并提取变量 X
X=data1.X;
 
% 将原始数据转置
reshaped1=X';
 
% 对转置后的数据1执行 K-means 聚类，设置聚类数量为2，最大迭代次数为150，重复运行5次以提高稳定性
[idx1,C1]  = kmeans(reshaped1,4,'MaxIter',150,'replicates',5);  
 
% 将 idx1 向量重新塑形回与原始数据相同的维度
idx1       = reshape(idx1,1,700);

测试结果如下：

2.k-means谱聚类算法

      谱聚类（Spectral Clustering）是一种基于图论和线性代数的聚类方法，尤其适用于发现数据集中的非凸形状聚类结构。谱聚类的核心思想是将聚类问题转化为图分割问题，然后通过图的拉普拉斯矩阵的特征分解来进行分析和聚类。

       谱聚类算法将数据集中的每个对象看作是图的顶点V，将顶点间的相似度量化作为相应顶点连接边E的权值，这样就得到一个基于相似度的无向加权图G(V, E)，于是聚类问题就可以转化为图的划分问题。基于图论的最优划分准则就是使划分成的子图内部相似度最大，子图之间的相似度最小。

       谱K-means聚类结合了谱聚类和K-means的优点，它首先通过谱聚类降维，然后再使用K-means算法进行聚类：

      谱聚类的优势在于它能够捕捉到数据集中的全局结构，特别是对于非凸或者高度相连的数据分布，相比k-means这类依赖于原型或中心点的聚类方法，谱聚类更能揭示数据内在的拓扑结构和连通性。但是，谱聚类需要计算大型矩阵的特征分解，这在大数据集上可能会带来较高的计算成本。此外，正确选择聚类数量k 也是谱聚类中的一个重要挑战。

% 定义一个名为 specclustering 的函数，输入参数为数据矩阵 data，输出为两个聚类簇 cluster1 和 cluster2
function [cluster1,cluster2]=func_speccluster(data)
dim=size(data,2);% 获取数据矩阵的维度（列数）
W=zeros(dim); % 初始化相似度矩阵 W，大小为 dim x dim
% 计算每一对特征向量之间的相似度，并填充到 W 矩阵中
for i=1:dim
   for j=1:dim
        % 使用高斯核函数计算相似度，指数衰减因子为 0.1
        W(i,j)=exp(-(norm(data(:,i)-data(:,j))^2)*0.1);
   end
end

 %初始化度矩阵 D，大小也为 dim x dim
D=zeros(dim);
for i=1:dim % 计算每个节点的度（邻居节点相似度之和）
    sum=0;
    for j=1:dim
        sum=sum+W(i,j);
    end
    D(i,i)=sum;
end
L=D-W; % 计算拉普拉斯矩阵 L = D - W
K=0; 
for i=1:dim% 计算拉普拉斯矩阵 L 的迹
    K=K+L(1,i);
end
% 计算归一化拉普拉斯矩阵 P
P=(D^-0.5)*L*(D^-0.5);
% 计算归一化拉普拉斯矩阵 P 的特征值和特征向量
[V,B]=eig(P);

% 对特征值按升序排序，并获取排序后的特征向量对应的列索引
[~, ind]=sort(diag(B),'ascend');  
% 排序后的特征向量
V2=V(:,ind); 
% 初始化两个聚类簇为空
cluster1=[];
cluster2=[];
for i=1:dim% 根据第二特征向量的正负性将特征向量分配到两个不同的聚类簇
    if(V2(i,2)<0)
          cluster1=[cluster1 data(:,i)];% 将特征向量添加到 cluster1
    else
          cluster2=[cluster2 data(:,i)]; % 将特征向量添加到 cluster2

    end

end

end

测试结果如下：