MATLAB实现鸢尾花数据集的K-means聚类分析

1. 鸢尾花数据集与K-means聚类概述鸢尾花数据集Iris Dataset是模式识别领域最经典的入门数据集之一由统计学家Ronald Fisher在1936年首次引入。这个数据集包含150个样本每个样本代表一朵鸢尾花的测量数据涵盖三个品种Setosa、Versicolor和Virginica每个样本有四个特征萼片长度、萼片宽度、花瓣长度和花瓣宽度单位均为厘米。数据集的简洁性和明确的分类边界使其成为机器学习算法测试的理想选择。K-means算法作为最基础的聚类方法其核心思想是通过迭代计算将数据划分为K个簇使得同一簇内的数据点尽可能相似而不同簇间的数据点差异明显。算法流程通常包括四个步骤初始化中心点、分配数据点到最近中心、重新计算中心点位置、重复迭代直至收敛。在MATLAB环境下实现该算法既能验证数据特征又能直观展示多维数据的聚类过程。注意鸢尾花数据集虽然结构简单但三个品种中Versicolor和Virginica存在特征重叠这为验证聚类算法对非线性可分数据的处理能力提供了天然测试场景。2. MATLAB环境准备与数据预处理2.1 数据集加载与探索MATLAB自带了鸢尾花数据集可通过load fisheriris命令直接载入工作区。该命令会生成两个变量meas150x4的测量数据矩阵和species150x1的品种标签元胞数组。建议在正式分析前先进行基础数据探查% 查看数据维度 disp(size(meas)); % 应显示[150 4] disp(unique(species)); % 显示三个品种名称 % 绘制特征散点图矩阵 gplotmatrix(meas,[],species,rgb,osd,[],on,,... {SepalL,SepalW,PetalL,PetalW});2.2 数据标准化处理由于不同特征的量纲和数值范围差异萼片宽度通常在2-4cm而花瓣长度可达1-7cm必须进行标准化处理以避免量纲对距离计算的影响。最常用的方法是Z-score标准化normalized_meas zscore(meas); % 均值归零标准差归一 % 验证标准化效果 disp([mean(normalized_meas); std(normalized_meas)]);实操心得对于存在明显离群点的数据集建议改用Robust Z-score基于中位数和MAD或最大最小值归一化但鸢尾花数据集质量较高常规Z-score已足够。3. K-means算法实现细节3.1 MATLAB内置函数参数解析MATLAB的kmeans函数提供丰富的可配置参数核心调用格式为[idx, C, sumd, D] kmeans(data, k, Name,Value,...)关键参数说明Distance距离度量默认sqeuclidean欧氏距离平方Replicates随机初始化的重复次数建议≥10MaxIter最大迭代次数默认100Options设置显示输出等选项典型调用示例opts statset(Display,final); [idx, centroids] kmeans(normalized_meas, 3, Distance,sqeuclidean,... Replicates,20, Options,opts);3.2 手写K-means实现理解算法本质的最佳方式是手动实现。以下是精简版实现代码function [idx, C] my_kmeans(X, k, max_iter) [n, d] size(X); % 随机初始化中心点 C X(randperm(n, k), :); idx zeros(n, 1); for iter 1:max_iter % 分配阶段计算每个点到中心的距离 dists pdist2(X, C, squaredeuclidean); [~, new_idx] min(dists, [], 2); % 检查收敛 if isequal(idx, new_idx) break; end idx new_idx; % 更新阶段重新计算中心点 for i 1:k C(i,:) mean(X(idxi, :), 1); end end end注意事项实际应用中应添加空簇检测和处理机制避免某些中心点失去所有归属数据点的情况。4. 聚类结果评估与可视化4.1 内部评估指标虽然鸢尾花数据集有真实标签但作为无监督学习我们仍需掌握无标签评估方法% 轮廓系数计算 silhouette_values silhouette(normalized_meas, idx); mean_sil mean(silhouette_values); % 簇内平方和WCSS total_wcss sum(sumd); between_ss sum(pdist2(C, mean(normalized_meas)).^2) * n; ratio between_ss / (total_wcss between_ss);4.2 降维可视化由于原始数据是四维的需要通过降维技术展示聚类效果% PCA降维 [coeff, score] pca(normalized_meas); figure; gscatter(score(:,1), score(:,2), idx, rgb,osd); title(PCA投影下的聚类结果); % 平行坐标图 figure; parallelcoords(normalized_meas, Group,species,... Quantile,0.25,Labels,{SepalL,SepalW,PetalL,PetalW});4.3 与真实标签对比虽然聚类是无监督过程但通过与真实标签对比可以验证算法有效性conf_mat confusionmat(grp2idx(species), idx); disp(conf_mat); % 调整Rand指数 ari adjustedRandIndex(grp2idx(species), idx);5. 工程实践中的关键问题5.1 K值选择策略鸢尾花数据集已知K3但实际应用中K常未知常用选择方法肘部法则绘制不同K值的WCSS曲线wcss zeros(1,5); for k 1:5 [~,~,sumd] kmeans(normalized_meas, k); wcss(k) sum(sumd); end plot(1:5, wcss, -o); xlabel(Number of clusters); ylabel(Within-cluster sum of squares);Gap统计量比较实际数据与参考分布的WCSS差异eva evalclusters(normalized_meas,kmeans,gap,KList,1:5); plot(eva);5.2 高维数据挑战当特征维度增加时K-means可能面临维度灾难距离度量失效高维空间中所有点对距离趋于相似解决方案特征选择如基于方差过滤、维度缩减PCA/t-SNE、改用子空间聚类5.3 算法优化技巧K-means初始化MATLAB默认采用此方法显著改善收敛速度Mini-batch K-means大数据集时可使用kmeans函数的onlinephase选项并行计算设置Options,statset(UseParallel,true)6. 完整实现案例以下是一个端到端的分析流程示例%% 环境准备 clear; clc; load fisheriris; normalized_meas zscore(meas); %% 确定最佳K值 eva evalclusters(normalized_meas,kmeans,silhouette,KList,1:5); optimal_k eva.OptimalK; % 通常应得3 %% 执行聚类 rng(123); % 设置随机种子保证可重复性 opts statset(Display,final,UseParallel,true); [idx, C, sumd] kmeans(normalized_meas, optimal_k,... Replicates,20,Options,opts); %% 结果评估 % 轮廓系数 figure; silhouette(normalized_meas, idx); title(sprintf(平均轮廓系数: %.3f,mean(silhouette(normalized_meas, idx)))); % 与真实标签对比 species_num grp2idx(species); conf_mat confusionmat(species_num, idx); disp(混淆矩阵:); disp(conf_mat); %% 可视化 % PCA投影 [~,score] pca(normalized_meas); figure; subplot(1,2,1); gscatter(score(:,1), score(:,2), species_num, rgb,osd); title(真实分类); subplot(1,2,2); gscatter(score(:,1), score(:,2), idx, rgb,osd); title(聚类结果); % 平行坐标图 figure; subplot(2,1,1); parallelcoords(normalized_meas, Group,species); title(真实分类特征分布); subplot(2,1,2); parallelcoords(normalized_meas, Group,idx); title(聚类结果特征分布);7. 常见问题与解决方案7.1 结果不稳定现象每次运行得到不同聚类结果原因随机初始化敏感解决增加Replicates参数建议≥10使用rng固定随机种子7.2 空簇出现现象某些簇没有分配到任何数据点原因初始化中心点不合适解决实现时添加中心点重置逻辑或改用K-means7.3 特征重要性分析需求了解各特征对聚类结果的贡献方法% 通过特征权重分析 feature_importance zeros(1,4); for i 1:4 reduced_data normalized_meas; reduced_data(:,i) randn(size(normalized_meas,1),1); % 随机打乱该特征 [~,~,sumd] kmeans(reduced_data, 3); feature_importance(i) sum(sumd); end [~,imp_order] sort(feature_importance); disp(特征重要性排序:); disp({SepalL,SepalW,PetalL,PetalW}(imp_order));7.4 大数据集处理当数据量超过内存容量时使用datastore分批读取采用Mini-batch K-meansopts statset(UseParallel,true); [idx, C] kmeans(normalized_meas, 3, ... Options,opts, OnlinePhase,on);8. 扩展应用与进阶方向8.1 半监督学习结合当部分数据有标签时% 假设前50个样本已知标签Setosa constrained_idx [ones(50,1); idx(51:end)]; constrained_C [mean(normalized_meas(1:50,:)); C(2:3,:)];8.2 核K-means通过核函数处理非线性可分数据% 使用高斯核 K exp(-pdist2(normalized_meas,normalized_meas).^2/(2*1^2)); [idx,~] kmeans(K, 3, Distance,correlation);8.3 与其他算法对比% 层次聚类 Z linkage(normalized_meas,ward); hier_idx cluster(Z,maxclust,3); % GMM聚类 gmm fitgmdist(normalized_meas,3); gmm_idx cluster(gmm,normalized_meas); % 结果对比 disp([K-means ARI: ,num2str(adjustedRandIndex(species_num,idx))]); disp([层次聚类 ARI: ,num2str(adjustedRandIndex(species_num,hier_idx))]); disp([GMM ARI: ,num2str(adjustedRandIndex(species_num,gmm_idx))]);在实际项目中K-means因其简单高效常作为基线模型但需要根据数据特性决定是否采用更复杂的聚类算法。鸢尾花数据集的实践价值不仅在于掌握基础算法更在于培养对聚类问题系统化的分析思路——从数据理解、预处理、算法实现到结果评估的全流程能力。