CMeans

Parameters

Samples:

Matrix, die Beispielvektoren als Zeilen enthält

InitialCenters:

Matrix, die anfängliche Cluster-Zentren als Zeilen enthält

NormType:

Norm der Vektoren, ist Skalar größer als null, kann %inf sein

Criterion:

Art der Abbruchbedingung, kann 'iterations' oder 'quantization_error' sein

Value:

Anzahl der Iterationen oder maximaler Quantisierungsfehler

Centers:

resultierende Clusterzentren

Description

Diese Funktion führt C-Means-Clustering durch. Zu jeder Zeile von Samples wird der nächste Nachbar unter den Zeilen von InitialCenters gesucht. Aus dem Mittelwert aller Vektoren, die demselben Clusterzentrum zugeordnet sind, ergibt sich das neue Clusterzentrum.

Der Prozess endet, wenn eine vorgegebene Anzahl von Iterationen durchgeführt wurde oder der Quantisierungsfehler eine vorgegebene Obergrenze nicht überschreitet.

Wenn von Anfang an die Abbruchbedingung erfüllt ist, ist Centers == InitialCenters

Examples

global CLUSTER_PATH; Source = read_csv(CLUSTER_PATH + 'demos\IrisData.csv', ascii(9)); Samples = strtod(Source(:, 1 : 4)); InitialCenters = SelectRandomly(Samples, 5); Centers = CMeans(Samples, InitialCenters, 2, 'iterations', 10)

See also

• SelectRandomly
• CreateDistanceMatrix
• GetNearestNeighbor
• GetQuantizationError
• GetDaviesBouldinIndex

Authors

• Dr. Eng. (J) Harald Galda

Bibliography

Richard O. Duda, Peter E. Hart, David G. Stork, 'Pattern Classification', John Wiley & Sons Inc., New York, Chichester, Weinheim, Brisbane, Singapore, Toronto, Second Edition, 2001