1. 原理

1.层次聚类：通过计算两类数据点间的相似性，对所有数据点中最为相似的两个数据点进行组合，并反复迭代这一过程并生成聚类树

2.k-means聚类：在数据集中根据一定策略选择K个点作为每个簇的初始中心，然后将数据划分到距离这K个点最近的簇中，重新计算每个簇的中心点，然后在重新进行划分，直到每次划分的结果保持不变。

2. 过程

1.层次聚类：

样本点：x1= [0,0]T, x2=[0,1]T,  x3=[2,0]T , x4= [3,3]T , x5= [4,4]T

将样本点存储在c1.txt文本文件中如下：

图1  c1文件中样本数据

在matlab中载入文件

分别将原始数据中的两列提取出来作为x坐标与y坐标用于绘制样本的分布图像，其实现如下：

图2

接下来通过linkage(c1,'single','euclidean')语句调用linkage函数，将样本点以最短距离作为类间距离，距离计算采用欧几里得距离，得到一个矩阵，其前2列为两个类的标号，第三列为类间的最短距离，然后通过dendrogram函数可以绘制出层次聚类树状图

图3

以上操作后结果如下：

图4 样本分布及聚类树状图

接下来为了进行分类，可以通过分割的方法得到不同的簇，这里采用群数目分割方式进行分割，调用cluster函数，设置簇的数目最大为2，最后调整标号绘制分类后的图像

图5

结果如下：

图6 分割后得到的结果

2.k-means聚类：

样本点：x1= [0,0]T,  x2=[1,0]T,  x3=[1,1]Tx4= [4,4]T,  x5=[5,4]T,  x6=[5,5]T

同样将样本点数据存储到kn1.txt文件中，如下图：

图7  kn1文件中样本数据

接下来开始进行聚类，实验设置簇的个数为2，通过kmeans函数对样本进行聚类，并且重复5次聚类，该函数可以返回簇的索引以及簇的中心点位置。

图8

然后调整标号绘制分类图像，结果如下：

图9  kmeans 聚类结果

3. 结果与分析

1.层次聚类

通过树状图可以看出程序的聚类顺序为x1x2，x4x5，x1x2x3，x1x2x3x4x5，每两个簇之间的距离如下：

图10 聚类过程中簇间距离

其中前两列1至5代表x1到x5初始5个簇，6代表x1x2形成的簇，7代表x4x5形成的簇，8代表x1x2x3形成的簇

2.k-means聚类

图11 聚类后两个簇的中心点坐标

图12 每个点到每个簇心的距离

图13 簇内各点到中心距离之和