简介这是一份完整的k-means数据聚类实验报告附有MATLAB详细源代码面向学习数据挖掘、机器学习及聚类分析的本科生和研究人员便于快速掌握算法原理并上手编程实践。报告以经典Iris鸢尾花数据集为实验对象系统讲解k-means算法初始化类中心、分配样本、更新均值、收敛判断的完整流程并对比k3与k4下的聚类效果直观展示类别数选择对结果的影响。文档还总结了初始类中心、数据输入顺序对算法收敛性的影响分析了k-means对离群点敏感、k值难以确定等局限并给出心得体会、参考文献及可直接运行的Matlab主程序代码便于他人复现实验或二次开发。资源为单个doc文档仅126KB内容紧凑完整已有2737人学习下载适合作为课程实验报告模板或Matlab聚类练习参考。1. 实验报告里的 k-means为什么值得再认真读一遍很多人对 k-means 的第一印象是“太简单了”给定 K 个簇、随机选中心、迭代到收敛几行代码就能跑完。可真到了写实验报告、要交代清楚“为什么这么设参数”的时候才发现到处是坑——跑十次聚类出十种结果、空簇导致程序报错、数据量纲不一样聚类出来全是“形状相似但毫无意义”的簇。这份标题为“k-means数据聚类实验报告MATLAB详细代码”的资料本质上是想解决一个实际问题如何用 MATLAB 写出一份可复现、可解释、能交差的 k-means 聚类实现而不是只调一下内置函数、贴一张彩图就算完。我接触过不少做数据分析的开发者大家普遍卡在三个地方一是只知道调用kmeans函数不知道手写一遍迭代逻辑时收敛条件怎么设二是 K 值只会用肘部法则画个图但不知道怎么定量判断“拐点”到底在哪儿三是拿到的数据特征量纲差异极大聚类出来的结果完全偏离直觉还以为是算法出了问题。这些问题的答案恰恰都藏在这个实验报告的标题里——它强调“详细代码”意味着我们不只要会“用”还要能“讲”、能“改”、能“排错”。这篇文章会沿着一条从原理到落地的路径展开先讲清楚 k-means 的优化目标和 MATLAB 实现时需要做的三件事再给出一份可复现的手写实现与内置函数对照代码然后重点说 K 值选择、初始化策略这些必调参数最后用一整章讲我踩过的坑。适合正在做聚类实验、写数据分析报告、或者想搞明白“MATLAB 里聚类到底怎么调才靠谱”的读者。2. k-means 聚类的原理与 MATLAB 选型为什么手写一遍比直接调函数更有用2.1 优化目标与迭代逻辑先把数学讲透代码才不会写错k-means 的目标函数是让所有样本点到其所属簇中心的距离平方和最小这个量在文献里通常写成 SSESum of Squared Errors。给定数据集 X我们希望找到 K 个簇中心使得每个样本都被分到距离最近的那个中心同时中心的位置能让簇内样本到它的总距离达到极小。听起来很直观但里面藏着一个循环依赖簇中心决定样本归属样本归属反过来决定簇中心这没法一步求出解析解只能迭代。迭代的每一步其实只有两个操作。第一步是固定中心把每个样本分到距离最近的中心这叫 E 步期望步Expectation第二步是固定归属把每个簇的中心更新为该簇内所有样本的均值向量这叫 M 步最大化步Maximization。如此反复直到簇中心不再变化或者变化的幅度小于你设定的容差。MATLAB 在这两步上有一个天然优势矩阵运算不需要循环。计算样本到中心的距离可以写成pdist2更新均值可以按簇编号用accumarray或splitapply向量化的写法比 for 循环快十倍以上这在高维数据上感受会非常明显。2.2 手写代码时必须想清楚的三个设计决策第一个决策是初始化方式。因为目标函数是凸函数但实际数据分布通常不是凸分布不同的初始中心会收敛到不同的局部最优解。常见做法是随机选 K 个样本作为初始中心但更稳妥的方式是 k-means它让初始中心尽量分散能显著降低最终 SSE 的方差。MATLAB 自带的kmeans函数默认用的就是 k-means这也是我们手写代码时推荐对齐的初始化策略。第二个决策是距离度量。默认是欧氏距离这适用于数据特征尺度相近的场景。如果你的特征包含不同物理单位比如身高和收入直接算欧氏距离会导致量纲大的特征在距离计算里占据主导地位。这个问题不是 k-means 本身能解决的必须在聚类前做标准化。很多实验报告里聚类结果“看起来不对”八成是数据没做预处理。第三个决策是收敛判定。不能只判断中心“是否变化”因为浮点数迭代时中心可能在极小范围内抖动。我一般会同时设两个条件中心点绝对变化量小于1e-4或者迭代次数达到上限比如 100 次。这两者取“先到者”既保证收敛精度又防止死循环。2.3 MATLAB 在这个场景下的定位不是唯一选择但确实是实验报告最省事的工具如果你只是做业务数据分析Python 的 scikit-learn 可能是更主流的选择但如果你做课程实验、算法对比、或者写需要嵌入矩阵推导的实验报告MATLAB 有它的优势矩阵语法和论文公式几乎一一对应绘图和导出图片非常方便调试时可以直观看到矩阵尺寸和数值变化。这份实验报告之所以选用 MATLAB我猜测就是因为它的代码逐行可解释、公式与代码能互相印证。换句话说这里的定位不是“生产级大规模聚类工具”而是“算法验证与教学演示环境”。明白了这一点你就不会纠结于分布式聚类或者百万级样本性能优化这些 MATLAB 里确实不是强项。我们需要的是代码结构清晰、能跑通小规模数据、每一行都能跟公式对上、画出来的散点图能直接放进报告里。3. 用 MATLAB 从零实现 k-means最小代码块与逐行解释3.1 一个不依赖工具箱的 k-means 函数适合放进实验报告主体先看最核心的实现。为了让代码能直接放进报告且不依赖 Statistics 工具箱我一般用pdist2这个在 Statistics 工具箱里自己写距离计算或者干脆用repmat手动展开。下面这份代码是不依赖任何工具箱的版本在任何 MATLAB 版本上都能运行function [label, center, SSE] my_kmeans(X, K, maxIter, tol) % 输入: % X - n×d 矩阵, n 个样本, d 维特征 % K - 聚类簇数 % maxIter - 最大迭代次数, 默认 100 % tol - 中心点变化容差, 默认 1e-4 % 输出: % label - n×1 向量, 每个样本的簇编号 % center - K×d 矩阵, 最终簇中心 % SSE - 每轮迭代的误差平方和, 用于画收敛曲线 [n, d] size(X); % 1. 初始化: 随机选 K 个不重复样本作为初始中心 rng(42); % 固定随机种子, 保证实验可复现 initIdx randperm(n, K); center X(initIdx, :); SSE zeros(maxIter, 1); for iter 1:maxIter % 2. E 步: 计算每个样本到所有中心的距离, 分配最近簇 distMat zeros(n, K); for k 1:K diff X - repmat(center(k, :), n, 1); distMat(:, k) sum(diff .^ 2, 2); % 直接存平方距离 end [~, label] min(distMat, [], 2); % 3. M 步: 按簇内样本均值更新中心 newCenter zeros(K, d); for k 1:K clusterPoints X(label k, :); if isempty(clusterPoints) % 空簇处理: 随机选一个远离所有中心的样本作为新中心 warning(第 %d 个簇为空, 重新初始化该中心, k); distToCenter sum((X - center(k, :)).^2, 2); [~, farIdx] max(distToCenter); newCenter(k, :) X(farIdx, :); else newCenter(k, :) mean(clusterPoints, 1); end end % 4. 计算当前 SSE 并检查收敛 curSSE 0; for k 1:K clusterPoints X(label k, :); if ~isempty(clusterPoints) diff clusterPoints - repmat(newCenter(k, :), size(clusterPoints, 1), 1); curSSE curSSE sum(diff .^ 2, all); end end SSE(iter) curSSE; change sum(sum((newCenter - center).^2, 2)); center newCenter; fprintf(Iter %d, SSE %.4f, center change %.4f\n, iter, curSSE, change); if change tol SSE SSE(1:iter); fprintf(Converged at iteration %d\n, iter); return; end end % 如果到了最大迭代次数仍未收敛, 截断 SSE 数组 SSE SSE(1:maxIter); end这段代码的逻辑和第一节的公式逐行对应第 1 步是初始化固定随机种子可以保证报告里的图和结果可以复现第 2 步的 E 步是计算每个样本到每个中心的平方欧氏距离这里没有用开方操作因为最小化平方距离和最小化距离是等价的还能省掉不必要的计算量第 3 步的 M 步是均值更新注意空簇的处理逻辑第 4 步是收敛检查。实际运行时你会看到每次迭代都会打印 SSE 和中心变化量放进实验报告就是一张收敛过程表。这里的rng(42)是关键我见过太多实验报告因为没固定随机种子跑出来的图和正文描述不一致。你的报告如果要求“验证可复现”固定种子是第一步。另外注意输入数据 X 的维度如果特征是二维可以直接用scatter画散点图如果维度高于二维建议先做 PCA 降维成二维再画否则图形无法直观验证簇的分布。3.2 使用内置 kmeans 函数做对照验证报告里最好两个版本都有手写实现的意义是让你把算法讲清楚但内置函数的意义是快速验证手写版的结果是否合理。我在做实验报告时一般会写一个小脚本同时跑手写版和内置版对比它们的标签一致性% 对比脚本: 手写版 vs 内置版 rng(42); X [randn(100, 2) * 0.5 [2, 2]; ... randn(100, 2) * 0.5 [-2, -2]; ... randn(100, 2) * 0.5 [0, 3]]; K 3; % 手写版 [label_mine, center_mine, SSE_mine] my_kmeans(X, K, 100, 1e-4); % 内置版 [label_builtin, center_builtin] kmeans(X, K, MaxIter, 100, Replicates, 5); % 用混淆矩阵检查两个版本的簇匹配程度 % 注意: 手写版和内置版的簇编号可能顺序不同, 需要先对齐这段代码里有一个很关键的细节Replicates设为 5。内置版是会跑 5 次初始化并保留最优结果的而手写版只跑了一次初始化。所以它们的结果通常不会完全一致甚至簇编号标签可能完全不同——比如内置版把数据右上方的簇标为 1而手写版标为 3。这时候不能直接对比标签值要做标签对齐。我在报告里常见的写法是先算出每个簇的样本均值再通过匈牙利算法或简单贪心匹配对应关系也可以用confusionmat看两个标签之间的映射关系。这里不需要贴完整代码但一定要在报告里说清楚这个“编号顺序可能不同”的注意事项否则会有人认为手写版实现有 bug。3.3 报告里的可视化三板斧散点图、质心轨迹图、收敛曲线图实验报告没有图就没有说服力。我一般画三张图第一张是原始数据散点图不同簇用不同颜色标注质心用黑色五角星标出第二张是迭代过程中质心的移动轨迹可以看出算法从初始位置“走”到最终位置的过程第三张是 SSE 随迭代次数的下降曲线观察是否单调递减、有没有震荡。三张图的代码可以拼在一个脚本里% 可视化: 三合一图 figure; subplot(1, 3, 1); gscatter(X(:,1), X(:,2), label_mine); hold on; plot(center_mine(:,1), center_mine(:,2), kx, MarkerSize, 12, LineWidth, 2); title(聚类结果); % 质心轨迹: 需要在 my_kmeans 里额外保存每轮 center % 这里假设你已经修改 my_kmeans 返回了 centerHistory 变量 subplot(1, 3, 2); for k 1:K traj squeeze(centerHistory(:, k, :)); plot(traj(1, :), traj(2, :), o-); hold on; end title(质心移动轨迹); subplot(1, 3, 3); plot(1:length(SSE_mine), SSE_mine, b-, LineWidth, 1.5); xlabel(迭代次数); ylabel(SSE); title(收敛曲线);这段代码里gscatter 是 Statistics 工具箱里的函数如果不想增加工具箱依赖可以换成scatter加循环以及legend手动控制颜色。质心轨迹图画出来以后你可以很直观地看到初始质心是怎么“跑”到最终位置的——如果轨迹出现大范围横跳说明初始中心选得太差或者 K 值选得不合适。这些图放到报告里既能证明你理解了算法过程也能让老师一眼看出你的实验是真实跑的而不是编数据。4. K 值与初始化策略实验报告里最需要交代清楚的三个必调参数4.1 K 值选择肘部法则但要会用“定量拐点”替代“肉眼拐点”K 值是 k-means 唯一的超参数实验报告里必须交代清楚“这个 K 为什么是这个数”。肘部法则的做法是跑 K 1 到 10记录每个 K 对应的 SSE然后画折线图。理论上 SSE 会随着 K 增大而下降但下降速度会在某个点之后明显变慢这个拐点就是“肘部”。然而实际数据往往没有特别明显的肘部肉眼看到的“拐点”经常在这一轮和下一轮之间变化。我给一个常用的定量判断方法计算相邻 K 之间 SSE 的下降比例选择下降比例首次低于 15% 的 K 值或者选择下降比例相对上一段明显减小的 K。举个例子如果 K 从 2 到 3 时 SSE 下降了 30%从 3 到 4 时只下降了 8%那我会选 K3。下面是一段自动找肘部的小脚本% 自动选择 K: 计算下降比例并找肘部 K_range 1:10; SSE_all zeros(length(K_range), 1); for Ki K_range [~, ~, SSE_curr] my_kmeans(X, Ki, 100, 1e-4); SSE_all(Ki) SSE_curr(end); end % 计算下降比例 dropRatio diff(SSE_all) ./ SSE_all(1:end-1); % 找第一个下降比例低于 15% 的 K elbowK find(dropRatio 0.15, 1, first); fprintf(建议 K %d\n, elbowK);这段脚本的关键在于每个 K 都只跑了一次my_kmeans这在不同初始化下可能带来很大波动。更稳的做法是对每个 K 跑 5 次取最小 SSE代码量会稍大但报告里的说服力更强。我一般会在报告里写清楚“为了消除初始化随机性的影响每个 K 值重复 10 次实验取最小 SSE”这句话值得写进任何一份严肃的实验报告。4.2 初始化方式随机初始化与 k-means 的量化差异如果你只跑一次 k-means结果可能很“看脸”。用一个二维的混合高斯数据做测试随机初始化时有时会把两个高斯簇合并成一个出现异常的 SSE 值。k-means 的基本思想是第一个中心随机选一个样本之后每个新中心都以与已有中心的距离平方成比例的概率被选中。这样初始中心天然分散后续迭代不容易陷入局部最优。MATLAB 内置的kmeans默认就用了 k-means。手写版如果想要对齐这个效果可以加一个简单的初始化函数。我在报告中通常会把随机初始化和 k-means 初始化各跑 20 次统计每次的 SSE误差平方和分布随机初始化SSE 均值较大标准差也大说明结果不稳定k-meansSSE 均值明显减小标准差大幅缩小结果更稳定这个“性能对比”表放进实验报告里非常加分。它直接证明了你在实验中理解了初始化的意义而不是只抄了一行代码。4.3 后处理空簇问题与聚类结果评估实验过程中不管初始化选得多好都有可能出现空簇。空簇的原因通常是数据分布极不均匀或者 K 选得比实际类别数大。处理空簇有两个常用策略一是把空簇删除最终的簇数少于预设 K代价是报告里前后 K 值不一致二是把离当前中心最远的样本点“强制分配”给空簇当作新中心的起点这也是我前面代码里采用的办法。第二种策略能保持簇的数量不变优点是不会打破报告前后逻辑的一致性。聚类结果的评估不能只看图。报告里至少要用两个指标SSE越小越好和轮廓系数Silhouette Coefficient越接近 1 越好。图捏出来的数据往往 SSE 好看但轮廓系数差说明簇之间很接近。MATLAB 里的silhouette函数可以直接跑% 计算轮廓系数并画图 figure; silhouette(X, label_mine); title(sprintf(K %d 时的轮廓系数, K));把轮廓系数放进报告的意义在于它能在“视觉上看起来还行”时提醒你这个聚类可能只是平庸的结果并不是数据里真正有 T 个簇。我在实验里遇到过明明用肉眼看有 4 个团轮廓系数只有 0.35 的情况这就是因为团与团中间有大量过渡样本聚类边界非常模糊。这个认知对实验报告的价值很高因为它表明你理解了“聚类质量不是画图看出来的”。5. 避坑与常见问题写 MATLAB 聚类实验报告最容易翻车的 5 个点5.1 初始化不固定每次跑出来结果不一样现象同一份代码第一次运行得到 cluster 1 有 80 个样本第二次却变成 cluster 2 有 80 个样本甚至连 SSE 值都不同。原因k-means 的初始化是随机的除非手动指定随机种子否则每次运行的起点都不一样。这在报告里是致命的老师拿你的代码跑一遍结果和报告里的截图对不上直接怀疑你做假。解决在脚本最开头写明rng(42)行程里固定随机种子如果你的 MATLAB 版本较旧可以写成rand(seed, 42); rng(42);双保险。把固定种子这件事郑重地写进报告这本身就是实验严谨性的体现。5.2 特征量纲差异导致聚类结果“画风诡异”现象数据集包含两个特征一个在 01 范围另一个在 50006000 范围。聚类出来的结果几乎只由第二个特征决定散点图上看起来第一个特征完全没有区分度。原因欧氏距离对特征的绝对尺度极其敏感。量纲大的特征在距离计算中占据了绝对主导小量纲特征的信息被淹没了。这不是算法问题是数据预处理不到位。解决聚类之前做 Z-score 标准化让每个特征为零均值、单位方差。MATLAB 里一行代码X zscore(X);。还有一种不那么推荐的做法是 Min-Max 归一化但它会保留离群点的影响而 zscore 用标准差做尺度抗离群点能力好得多。5.3 空簇直接报错而不是提示现象迭代到某一步某个簇里没有任何样本mean(clusterPoints, 1)对空矩阵计算均值返回 NaN。之后的迭代全部被 NaN 传染最终 SSE 和中心点全是 NaN图也画不出来。原因没有做空簇检测。很多入门教程的代码默认每个簇非空这对均匀分布的数据还成立对真实数据几乎必然会出事。解决前面贴的my_kmeans函数里已经加上了空簇处理随机选一个最远的样本作为新中心。另一个替代方案是直接删除空簇并把 K 减 1但这需要在报告里额外说明“为什么最终簇数不等于预设 K”。我通常采用“最远点补位”策略因为它在保持 K 值不变的同时还能顺带防止中心集体“塌缩”到一个区域。5.4 收敛曲线不单调下降甚至有震荡现象SSE 曲线在前几轮下降后面突然回升然后又下降像锯齿一样。原因你在迭代过程中用的是旧中心算距离、分簇然后用新中心算 SSE。每次迭代的 SSE 实际上应该下降但如果数据点恰好在两个中心之间反复横跳可能会出现局部震荡。更多时候是初始化太差导致搜索过程在多个较差区域之间徘徊。解决检查初始化方式是否用了 k-means把容差调大一点比如tol 1e-3或者直接增加Replicates。如果震荡持续发生在迭代后期那基本可以断定 K 值或距离度量选错了。5.5 两个簇的结果几乎完全对称肉眼看不出差别现象聚类完成后cluster 1 和 cluster 2 的中心几乎在一条直线上而且簇的形状高度相似疑似是两个中心互为“镜像”。原因K 值可能过大一个原本连续的簇被强行切成了两半。或者数据本身只存在一个簇但你强行设 K3算法只能“找茬”式地切分密集区域。解决用轮廓系数诊断——对每个簇单独计算平均轮廓系数系数接近 1 说明簇紧凑、分离良好接近 0 或为负数说明这个簇不该存在。然后在报告里给出结论“将 K 从 3 减为 2 后轮廓系数从 0.3 提升到 0.7”比任何解释都有说服力。6. 进阶用法把 k-means 实验代码改造成可复用的函数库当你跑通一次之后后面的工作最忌讳的就是每次都复制粘贴整片代码、改两个变量名再运行。我一般会在实验初期就把代码整理成三个独立函数数据生成器、算法实现器、可视化报告器。这样做的收益不是省代码量而是让实验不同环节可以独立对比。数据生成器负责生成不同形状的数据比如高斯混合、环形、月牙形。高斯混合适合 k-means 正常发挥环形和月牙形适合“演示 k-means 不擅长处理非凸簇”——这个对比放进实验报告里非常出彩因为它展示了你对算法适用边界的理解而绝大多数报告只会展示一个完美的聚类结果。我在做模拟项目 X 时就用同样的测试集评估了 k-means、DBSCAN 和层次聚类三种方法报告里讨论的重点不是“谁好谁差”而是“哪一种算法在哪种数据分布下更合适”。这样的分析深度是老师愿意给高分的关键。算法实现器里我建议把my_kmeans封装成带名称-值对参数的版本接受Distance、Init、MaxIter、Replicates等参数。封装之后做参数对比实验时就不需要改函数内部代码只需要写一个循环遍历不同的参数组合跑若干遍。这份my_kmeans不依赖任何工具箱放到任何机器上都能直接运行意味着你的实验报告在答辩现场可以随时复现。可视化报告器除了画聚类结果、质心轨迹、收敛曲线以外我还会加一个功能输出聚类结果汇总表包含每簇样本数、每簇 SSE 贡献、平均轮廓系数。这张表可以直接导出成 CSV 贴到报告里省去了手抄数据的麻烦。这样做还有一个额外的好处——当你把算法换一种初始化策略或换一个 K 值时对比表会直观地显示哪组参数更优直接支撑“参数选择依据”那一章。最后说一个我自己的习惯每次跑实验我会顺手把初始中心、每轮中心变化量和对应的 SSE 记录直接存到工作区里。等到报告快写完时如果发现数据记录不够不需要重跑全部实验只重跑某一个随机种子下的结果补充即可。这比一开始不记录、后面返工要节约大量时间。这个习惯帮我少走了很多弯路也避免过不少“临到交报告发现数据对不上”的尴尬。希望帮到你。本文还有配套的精品资源点击获取