Java实例_综合实践3.K-Means聚类算法

编写程序实现K-Means聚类算法 (见图 4-12)。 K-Means是一种聚类算法，后者属于机器学习中的无监督学习，用于识别给定数据集 中的若干数据簇——即每个数据所属的分类。

K-Means算法的主要思想如下：

(1) 任选数据集中的K个数据点作为 K个分类的初始质心 (几何中心)，其中K为数据 的总分类数，由人通过观察整个数据集的分布而事先确定。

(2) 将每个数据点指派到离其最近的质心所属的分类。

(3) 重新计算每个分类的质心。

(4) 重复 (2)、(3)，直至达到最大迭代次数或所有分类的质心不再变化

import java.awt.Color;import java.awt.Graphics;import java.util.Random;import javax.swing.JFrame;public class KMeans {int N = 300; // 数据点个数int K = 3;// 分类数double[][] points = new double[N][2];// 数据点(2列分别表示x、y坐标)double[][] centers = new double[K][2];// 分类质心double[][] distances = new double[N][K];// 数据点到分类质心的距离int[] kinds = new int[N];// 数据点所属的分类JFrame win; // 用于呈现分类结果的窗口final int WIN_HEIGHT = 420;// 窗口高度final int WIN_WIDTH = 600;// 窗口宽度// 分类标记和颜色final String[] MARKER_TEXTS = {"X", "O", "＋" };final Color[] MARKER_COLORS = {Color.RED, Color.MAGENTA, Color.BLUE };// 围绕给定的K个点随机产生N个数据点void generatePoints() {// 给定K个点的坐标double[][] ps = {{300, 50 }, {480, 300 }, {120, 200 } }; Random r = new Random();// 随机数对象int p; for (int i = 0; i < N; i++) {p = r.nextInt(K);// 随机选择一个给定的点// 围绕点p随机产生一个数据点points[i][0] = ps[p][0] + (r.nextBoolean() ? r.nextInt(100) : -r.nextInt(100));points[i][1] = ps[p][1] + (r.nextBoolean() ? r.nextInt(50) : -r.nextInt(50));}}// 选择K个数据点作为K个分类的初始质心void initCenters() {for (int i = 0; i < K; i++) {centers[i][0] = points[i * N / K][0];centers[i][1] = points[i * N / K][1];}}// 对每个数据点，按离其最近的质心进行分类void assignPoints() {double dx, dy;double min;for (int i = 0; i < N; i++) {for (int j = 0; j < K; j++) {// 计算点i到K个质心的距离dx = points[i][0] - centers[j][0];dy = points[i][1] - centers[j][1];distances[i][j] = dx * dx + dy * dy;}// 选择离其最近的质心作为点i所属的分类min = distances[i][0];kinds[i] = 0;for (int j = 1; j < K; j++) {if (distances[i][j] < min) {min = distances[i][j];kinds[i] = j;}}}}// 根据所有点的分类，计算新的质心void calcCenters() {for (int j = 0; j < K; j++) {centers[j][0] = 0;centers[j][1] = 0;int count = 0;// 统计属于分类j的点的个数for (int i = 0; i < N; i++) {if (kinds[i] == j) {centers[j][0] += points[i][0];centers[j][1] += points[i][1];count++;}}// 计算分类j的质心坐标(x、y的算术均值——K-Means算法名称的由来)centers[j][0] /= count;centers[j][1] /= count;}}// 初始化UI(仅用于呈现结果)void initUI() {win = new JFrame("K-Means");win.setSize(WIN_WIDTH, WIN_HEIGHT);win.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);win.setResizable(false);win.setVisible(true);}// 绘制N个数据点及K个质心(仅用于呈现结果)void plot() {Graphics g = win.getGraphics();g.clearRect(0, 0, WIN_WIDTH, WIN_HEIGHT);// 清除之前绘制的点// 以不同标记和颜色绘制各分类中的点for (int i = 0; i < N; i++) {g.setColor(MARKER_COLORS[kinds[i]]);g.drawString(MARKER_TEXTS[kinds[i]], (int) points[i][0], (int) (WIN_HEIGHT - 20 - points[i][1]));}// 绘制各分类的质心for (int i = 0; i < K; i++) {g.setColor(Color.BLACK);g.drawString("★", (int) centers[i][0], (int) (WIN_HEIGHT - 20 - centers[i][1]));}}// 程序入口public static void main(String[] args) throws InterruptedException {KMeans kMeans = new KMeans();kMeans.generatePoints();kMeans.initCenters();kMeans.initUI();for (int i = 0; i < 10; i++) {// 迭代10次kMeans.plot();kMeans.assignPoints();kMeans.calcCenters();Thread.sleep(500); // 暂停0.5秒(便于观察迭代过程)}}}

如果觉得《Java实例_综合实践3.K-Means聚类算法》对你有帮助，请点赞、收藏，并留下你的观点哦！