怎么用Matlab计算聚类算法的正确率问题

我把K-mediods的matlab代码贴出来，你好好学习一下

function label = kmedoids( data,k,start_data )

% kmedoids k中心点算法函数

% data 待聚类的数据集,每一行是一个样本数据点

% k 聚类个数

% start_data 聚类初始中心值,每一行为一个中心点,有cluster_n行

% class_idx 聚类结果,每个样本点标记的类别

% 初始化变量

n = length(data)

dist_temp1 = zeros(n,k)

dist_temp2 = zeros(n,k)

last = zeros(n,1)

a = 0

b = 0

if nargin==3

centroid = start_data

else

centroid = data(randsample(n,k),:)

end

for a = 1:k

temp1 = ones(n,1)*centroid(a,:)

dist_temp1(:,a) = sum((data-temp1).^2,2)

end

[~,label] = min(dist_temp1,[],2)

while any(label~=last)

for a = 1:k

temp2 = ones(numel(data(label==a)),1)

temp3 = data(label==a)

for b = 1:n

temp4 = temp2*data(b,:)

temp5 = sum((temp3-temp4).^2,2)

dist_temp2(b,a) = sum(temp5,1)

end

end

[~,centry_indx] = min(dist_temp2,[],1)

last = label

centroid = data(centry_indx,:)

for a = 1:k

temp1 = ones(n,1)*centroid(a,:)

dist_temp1(:,a) = sum((data-temp1).^2,2)

end

[~,label] = min(dist_temp1,[],2)

end

end

您好，K-mean聚类算法是一种常用的无监督学习算法，能够将数据集分成k个簇，每个簇内的数据点相似度较高，而不同簇之间的相似度较低。在实际应用中，K-mean聚类算法的准确率往往不会达到100%。以下是可能导致K-mean聚类准确率不达100%的原因：

1. 数据集不完整：如果数据集中存在缺失值、异常值或者噪声等问题，那么K-mean聚类算法的准确率就会受到影响。

2. 簇的数量不合理：如果簇的数量选择不合理，例如选择的簇的数量过多或者过少，那么K-mean聚类算法的准确率就会受到影响。

3. 初始点的选择不合理：K-mean聚类算法的准确率还受到初始点的选择影响。如果初始点的选择不合理，那么K-mean聚类算法的准确率就会受到影响。

4. 数据集分布不均匀：如果数据集的分布不均匀，例如某些簇内的数据点数量较少，那么K-mean聚类算法的准确率就会受到影响。

因此，K-mean聚类算法的准确率不可能达到100%。在实际应用中，需要根据具体情况选择合适的算法和参数，以达到较高的准确率。

---