数据挖掘实验（七）Matlab实现聚类算法【clusterdata / kmeans】

本文代码均已在 MATLAB R2019b 测试通过，如有错误，欢迎指正。

另外，这次实验都是调用Matlab现成的函数，没什么技术含量。

聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。 聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。 从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。

方法一：直接聚类，利用clusterdata函数对样本数据进行一次聚类，其缺点为可供用户选择的面较窄，不能更改距离的计算方法，该方法的使用者无需了解聚类的原理和过程，但是聚类效果受限制。

方法二：层次聚类，该方法较为灵活，需要按步骤实现聚类过程，具体需要进行如下过程处理： （1）计算数据集合中样本两两之间的相似性，用pdist函数计算样本之间的距离； （2）用linkage函数定义类间距离； （3）用cluster函数创建聚类。

方法三：划分聚类，包括K均值聚类和K中心聚类，同样需要系列步骤完成该过程，要求使用者对聚类原理和过程有较清晰的认识。 K-means聚类算法采用的是将N*P的矩阵X划分为K个类，使得所有类内对象与该类中心点之间的距离和最小。 Matlab自带函数：Y=kmeans(X, K)。

问题描述： 参考表中16*13列的矩阵，利用matlab中提供的几种方法实现聚类的过程。

代码：