1、数据挖掘实验报告（三）聚类分析姓名：李圣杰班级：计算机1304学号：1311610602一、实验目的1、 掌握k-means聚类方法；2、 通过自行编程 ， 对三维空间内的点用k-means方法聚类 。
二、实验设备PC一台 ， dev-c+5.11三、实验内容1.问题描述：立体空间三维点的聚类.说明：数据放在数据文件中(不得放在程序中) ， 第一行是数据的个数 ， 以后各行是各个点的x,y,z坐标 。
2.设计要求读取文本文件数据 ， 并用K-means方法输出聚类中心3. 需求分析k-means 算法接受输入量k；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对 。

2、象相似度较小 。
聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的 。
k-means算法的工作过程说明如下：首先从n个数据对象任意选择k个对象作为初始聚类中心 ， 而对于所剩下的其它对象 ， 则根据它们与这些聚类中心的相似度（距离） ， 分别将它们分配给与其最相似的（聚类中心所代表的）聚类 。
然后 ， 再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值） ， 不断重复这一过程直到标准测度函数开始收敛为止 。
一般都采用均方差作为标准测度函数 ， 具体定义如下：(1)其中E为数据库中所有对象的均方差之和 ， p为代表对象的空间中的一个点 ， mi为聚类Ci的均值(p和mi均是多维的) 。
公式(1)所示的聚 。

【优质内容|数据挖掘实验报告-聚类分析[优质内容]】3、类标准 ， 旨在使所获得的k个聚类具有以下特点：各聚类本身尽可能的紧凑 ， 而各聚类之间尽可能的分开 。
四、实验步骤Step 1.读取数据组 ， 从N个数据对象任意选择k个对象作为初始聚类中心；Step 2.循环Step 3到Step 4直到每个聚类不再发生变化为止；Step 3.根据每个聚类对象的均值（中心对象） ， 计算每个对象与这些中心对象的距离 ， 并根据最小距离重新对相应对象进行划分；Step 4.重新计算每个（有变化）聚类的均值（中心对象） 。
代码图表b#include #include #include #include int K,Vectordim,datasize,seed=1;
float *da 。

4、ta,*kmatrix;
float *max_column,*min_column;
/*创建维数可指定的二维动态数组arraymn*/float* array(int m, int n) float *p;
int i;
p=(float*)malloc(m*sizeof(float*);
p0=(float*)malloc(m*n*sizeof(float);
for(i=1;
imax_columni)max_columni=aji;
if(aji1000)break;
time+;
update_k_location();
end_flag=cluster();
empty_flag=existempty 。

5、class();
if(empty_flag) printf(There is a empty class!nSo restart!n);
continue;
else break;
printf(nAfter %ld times calculationn,time);
output();
freememory();
实验数据文件：data.txt用空格分开K=3,Vectordim=3,datasize=15-25 22.2 -35.34 31.2 -14.4 2332.02 -23 24.44 -25.35 36.3 -33.34-20.2 27.333 -28.22-15.66 17.33 -23.3326.3 -31.34 16.3-22.544 16.2 -32.2212.2 -15.22 22.11-41.241 25.232 -35.338-22.22 45.22 23.55-34.22 50.14 30.9815.23 -30.11 20.987-32.5 15.3 -25.22-38.97 20.11 33.22五、结果截图 。

来源：(未知)

【学习资料】网址：/a/2021/0318/0021715373.html

标题：优质内容|数据挖掘实验报告-聚类分析[优质内容]