① matlab聚类工具箱在哪里
在matlab环境中首先运行install.m,将工具箱所在路径添加至matlab就可以找到了。
② MATLAB2014有聚类分析工具箱没
我的软件里显示是没有的，你可以再查一查。
一般这种工具箱的查询可在matlab里的帮助界面进行搜索，点击帮助。打开帮助页面，左侧检索栏进行检索需要查询的语句，然后即可查看右侧查询结果。
或者在主界面，输入help 空格+你要查询的内容，进行查询。下次你可以尝试一下。
希望对你有所帮助。谢谢。
③ 怎么用matlab将一组数据聚类成n类，n是根据数据特征自动得出的最佳聚类数
jd=[1979:1:2008]';
wd=[0.00000072 0.05140592 0.04446843 0.0001155 0.0004182 0 0 0.00005628 0 0 0.03131515 0.00000156 0 0.0427 0.07188356 0 0.0009792 0 0.0047 0 0.1337 0.0365924 0.00901697 0.00560475 0.00355256 0.00050095 0.00017472 0.00006811 0.0001458 0 ]';
jwd=[jd,wd];
Y=pdist(jwd);%,'euclid'
Z=linkage(Y);%,'single'
T=cluster(Z,5);
[H,t]=dendrogram(Z,n);此处的n就为分类数
④ MATLAB中模糊聚类工具箱怎么找到怎么用呢
你help fcm,我这有整理过的MATLAB自带的K均值与模糊C均值程序，我可以发给你，能不能给版点分？
function ff1=jd(g,c)%三维矩阵权g为m*n*c大小的矩阵
g=double(g);
[m,n,v]=size(g);
data=reshape(g,[],size(g,3);
[center,U,obj_fcm]=fcm(double(data),c);
[maxU,index]=max(U,[],1);
ff=reshape(index,m,n);
figure,imshow(ff,[]);
⑤ 如何用matlab聚类工具箱处理自己的数据集
我把K-mediods的matlab代码贴出来，你好好学习一下 function label = kmedoids( data,k,start_data ) % kmedoids k中心点算法函数 % data 待聚类的数据集,每一行是一个样本数据点 % k 聚类个数 % start_data 聚类初始中心值,每一行为一个中心点
⑥ matlab聚类分析工具箱 叫什么
聚类分析最重要的是什么？（你啥都不说，怎么解决你的问题？ ） 举个例子：如果你是淘宝网店老板，我现在告诉你我想定做个生日礼物，但其它什么都不告诉你，你能做么？ PS:图我看见了，没啥用。
⑦ matlab如何调用统计工具箱
调用统计特工具箱的做法：
①打开matlab；
②点击左下角Start；
③进入Toolbox工具箱；
④选择Statistics；
⑧ 怎样用matlab作聚类分析啊求操作T_T T_T
展示如何使用MATLAB进行聚类分析
分别运用分层聚类、K均值聚类以及高斯混合模型来进行分析，然后比较三者的结果
生成随机二维分布图形，三个中心
% 使用高斯分布（正态分布）
% 随机生成3个中心以及标准差
s = rng(5,'v5normal');
mu = round((rand(3,2)-0.5)*19)+1;
sigma = round(rand(3,2)*40)/10+1;
X = [mvnrnd(mu(1,:),sigma(1,:),200); ...
mvnrnd(mu(2,:),sigma(2,:),300); ...
mvnrnd(mu(3,:),sigma(3,:),400)];
% 作图
P1 = figure;clf;
scatter(X(:,1),X(:,2),10,'ro');
title('研究样本散点分布图')
K均值聚类
% 距离用传统欧式距离，分成两类
[cidx2,cmeans2,sumd2,D2] = kmeans(X,2,'dist','sqEuclidean');
P2 = figure;clf;
[silh2,h2] = silhouette(X,cidx2,'sqeuclidean');
从轮廓图上面看，第二类结果比较好，但是第一类有部分数据表现不佳。有相当部分的点落在0.8以下。
分层聚类
eucD = pdist(X,'euclidean');
clustTreeEuc = linkage(eucD,'average');
cophenet(clustTreeEuc,eucD);
P3 = figure;clf;
[h,nodes] = dendrogram(clustTreeEuc,20);
set(gca,'TickDir','out','TickLength',[.002 0],'XTickLabel',[]);
可以选择dendrogram显示的结点数目，这里选择20 。结果显示可能可以分成三类
重新调用K均值法
改为分成三类
[cidx3,cmeans3,sumd3,D3] = kmeans(X,3,'dist','sqEuclidean');
P4 = figure;clf;
[silh3,h3] = silhouette(X,cidx3,'sqeuclidean');
图上看，比前面的结果略有改善。
将分类的结果展示出来
P5 = figure;clf
ptsymb = {'bo','ro','go',',mo','c+'};
MarkFace = {[0 0 1],[.8 0 0],[0 .5 0]};
hold on
for i =1:3
clust = find(cidx3 == i);
plot(X(clust,1),X(clust,2),ptsymb{i},'MarkerSize',3,'MarkerFace',MarkFace{i},'MarkerEdgeColor','black');
plot(cmeans3(i,1),cmeans3(i,2),ptsymb{i},'MarkerSize',10,'MarkerFace',MarkFace{i});
end
hold off
运用高斯混合分布模型进行聚类分析
分别用分布图、热能图和概率图展示结果 等高线
% 等高线
options = statset('Display','off');
gm = gmdistribution.fit(X,3,'Options',options);
P6 = figure;clf
scatter(X(:,1),X(:,2),10,'ro');
hold on
ezcontour(@(x,y) pdf(gm,[x,y]),[-15 15],[-15 10]);
hold off
P7 = figure;clf
scatter(X(:,1),X(:,2),10,'ro');
hold on
ezsurf(@(x,y) pdf(gm,[x,y]),[-15 15],[-15 10]);
hold off
view(33,24)
热能图
cluster1 = (cidx3 == 1);
cluster3 = (cidx3 == 2);
% 通过观察，K均值方法的第二类是gm的第三类
cluster2 = (cidx3 == 3);
% 计算分类概率
P = posterior(gm,X);
P8 = figure;clf
plot3(X(cluster1,1),X(cluster1,2),P(cluster1,1),'r.')
grid on;hold on
plot3(X(cluster2,1),X(cluster2,2),P(cluster2,2),'bo')
plot3(X(cluster3,1),X(cluster3,2),P(cluster3,3),'g*')
legend('第 1 类','第 2 类','第 3 类','Location','NW')
clrmap = jet(80); colormap(clrmap(9:72,:))
ylabel(colorbar,'Component 1 Posterior Probability')
view(-45,20);
% 第三类点部分概率值较低，可能需要其他数据来进行分析。
% 概率图
P9 = figure;clf
[~,order] = sort(P(:,1));
plot(1:size(X,1),P(order,1),'r-',1:size(X,1),P(order,2),'b-',1:size(X,1),P(order,3),'y-');
legend({'Cluster 1 Score' 'Cluster 2 Score' 'Cluster 3 Score'},'location','NW');
ylabel('Cluster Membership Score');
xlabel('Point Ranking');
通过AIC准则寻找最优的分类数
高斯混合模型法的最大好处是给出分类好坏的标准
AIC = zeros(1,4);
NlogL = AIC;
GM = cell(1,4);
for k = 1:4
GM{k} = gmdistribution.fit(X,k);
AIC(k)= GM{k}.AIC;
NlogL(k) = GM{k}.NlogL;
end
[minAIC,numComponents] = min(AIC);
按AIC准则给出的最优分类数为： 3 对应的AIC值为： 8647.63
后记
（1）pluskid指出K均值算法的初值对结果很重要，但是在运行时还没有发现类似的结果。也许Mathworks对该算法进行过优化。有时间会仔细研究下代码，将结果放上来。
分享：
56
喜欢
4
赠金笔
阅读(21209)┊ 评论 (4)┊ 收藏(1) ┊转载原文 ┊ 喜欢▼ ┊打印┊举报
前一篇：[转载]拉普拉斯矩阵
后一篇：[转载]用matlab做聚类分析