3、实验流程图
四、
实验结果
II、1、用FAMALE.T_T和MALE.T_T中的数据组合起来作为样本集：
C=2时
（1）、取第一个和第五十一个样本作为初始聚类中心，得出的实验结果图如下：
得到结果是：
星号表示的类别中样本总数为61，点表示的类别中样本总数为39。
两个聚类中心分别为:
z1=（163.5738，53.1541），z2=（175.8974，68.2692）
（2）、取第二十五个和七十五个样本作为初始聚类中心时得到的实验结果如下：
最终得到的两个聚类中心分别为:
z1=（163.5738，53.1541），z2=（175.8974，68.2692）
结果可发现取不同的初始聚类中心时两次实验结果相同。
它们的eJ=5.9707e+003但是，经过后面的实验我们发现，随着C变大，选取不同的初值对聚类结果有较大影响，当C=2时影响很小，几乎可以不计。
因为当分为两类时,样本的类别特征很明显，所以此时选取不同的初值对聚类结果没有影响，而随着C的增加，初值选择对聚类结果影响将会逐渐变大。
下面是将男女样本所代表的点分别画到图上可得下图：
其中点表示的是女生样本，圆圈表示的是男生样本。
其中，男生的样本均值为（173.920__
，65.5020）女生的样本均值为（162.8400，52.5960）
通过比较两幅图，可以发现，当去C=2时，对数据进行聚类分析得到的聚类结果基本类似于男女生分类，他们的样本均值相差不大，不过还是有一定差别。
差别出现在一些身高低于1.70米的男生处。
C=3时得到的聚类结果图如下：
最终的三个聚类中心：
z1=（168.8158，57.0105）
z2=（159.2333，49.9333）z3=（176.4375，70.0156）
eJ=3.9251e+003从图中可以看出，当划分为三类时，其结果可以看做按照身高与体重的比将样本进行聚类，身高体重比大，较大，小的分别为一类。
C=4时：
得到的分来结果如下：
得到的四个聚类中心为：
z1=（164.7727，53.3545），z2=（157.4286，49.2381）
z3=（176.4375，70.0156），z4=（170.4400，58.2640）
eJ=3.4318e+003C=5时得到的聚类结果如下：
最终的五个聚类中心分别为：
z1=（170.3462，58.1423），z2=（158.1579，47.3684），z3=（163.3913，54.4652）z4=（176.0741，67.7593）
z5=（178.4000，82.20__0）
eJ=2.6352e+003C=6时得到的聚类结果如下：
最终的6个聚类中心分别为：
z1=（166.9259，54.5889），z2=（183.3333，66.6667）
z3=（158.3462，49.8462）z4=（178.0000，80.6667）
z5=（171.4737，60.8158）z6=（175.6842，68.1842）
eJ=
2.5607e+0031、画出C值与eJ之间的关系曲线如下：
由图可以看出，在C=5之后，eJ的减小变得缓慢，所以讲此样本集聚为五类最合理2、把test2.t_t的数据与上述1中的数据合并在一起，重复上述实验，实验结果如下：
（1）、取第二十五个和第二百零一个个样本作为初始聚类中心，得出的实验结果图
其中，z1=（165.0479，53.6491），z2=（176.4506，69.9378）
eJ=3.2952e+004分为一类时的为7.1410e+004取第一百个和第三百个样本作为初始聚类中心时得出结果与前面相同。
（2）、C=3
z1=（174.5561，64.5024）z2=（163.3438，51.8742）
z3=（178.8657，80.4776）
eJ=2.0594e+004（3）、C=4时：
eJ=1.6346e+004z1=（175.4783，65.7908），z2=（159.8548，48.3145）
z3=（179.3684，81.7368），z4=（167.5567，56.6485）
（4）C=5时：
eJ=1.3575e+004z1=（170.0510，57.5020），z2=（175.3836，65.9452）
z3=（160.5732，50.0512），z4=（179.6667，91.3889）
z5=（178.6429,75.7589）（5）、C=6时
其中，eJ=
1.3018e+004z1=（170.6296，55.1241）z2=（177.2955，68.0057）
z3=（160.8427，50.6596）z4=（172.6381，62.9143）
z5=（181.5952，89.1905），z6=（176.8488，76.8837）
画出C值与eJ之间的关系曲线如下
与图可知，在C=5之后，eJ的变化缓慢，所以认为此时仍是将样本集分为五类最合适（4）、将两种样本即进行聚类后的样本中心进行比较，如下表：
样本
C以FEMALE和MALE中得数据作为样本以FEMALE和MALE以及test2中的数据作为样本2z1=（163.5738，53.1541）
z2=（175.8974，68.2692）
z1=（165.0479，53.6491），z2=（176.4506，69.9378）
3z1=（168.8158，57.0105）
z2=（159.2333，49.9333）
z3=（176.4375，70.0156）
z1=（174.5561，64.5024）
z2=（163.3438，51.8742）
z3=（178.8657，80.4776）
4z1=（164.7727，53.3545）
z2=（157.4286，49.2381）
z3=（176.4375，70.0156）
z4=（170.4400，58.2640）
z1=（175.4783，65.7908），z2=（159.8548，48.3145）
z3=（179.3684，81.7368），z4=（167.5567，56.6485）
5z1=（170.3462，58.1423）
z2=（158.1579，47.3684）
z3=（163.3913，54.4652）
z4=（176.0741，67.7593）
z5=（178.4000，82.20__0）
z1=（170.0510，57.5020），z2=（175.3836，65.9452）
z3=（160.5732，50.0512），z4=（179.6667，91.3889）
z5=（178.6429,75.7589）6z1=（166.9259，54.5889），z2=（183.3333，66.6667）
z3=（158.3462，49.8462）
z4=（178.0000，80.6667）
z5=（171.4737，60.8158）
z6=（175.6842，68.1842）
z1=（170.6296，55.1241）
z2=（177.2955，68.0057）
z3=（160.8427，50.6596）
z4=（172.6381，62.9143）
z5=（181.5952，89.1905），z6=（176.8488，76.8837）
从上表可以纵向比较可以看出，C越大，即聚类数目越多，聚类之间差别越小，他们的聚类中心也越接近。
横向比较用FEMALE,MALE中数据作为样本和用FEMALE,MALE，test2中数据作为样本时，由于引入了新的样本，可以发现后者的聚类中心比前者都稍大。
但是它们的分布类似，变化不大。
II、将两个样本分别用分级聚类方法进行聚类，得出结果，并与C均值聚类法进行比较：
1、对FEMALE与MALE中数据组成的样本集进行聚类：
由图可见，分即聚类法将样本分为两类，它们的聚类中心分别为_1=（163.4667，53.0400）_2=（175.7500，68.0625）
将它与C=2时的C均值聚类结果进行比较，分别比较它们的结果图以及聚类中心，下面是它们的聚类中心比较：
聚类方法
C均值聚类分即聚类聚类中心z1=（163.5738，53.1541）
z2=（175.8974，68.2692）
_1=（163.4667，53.0400）
_2=（175.7500，68.0625）
比较发现它们的聚类结果很相似。
2、对由MALE、MALE、test2中数据组成的样本集进行分级类：
由图可见，分即聚类法将样本分为两类，它们的聚类中心分别为_1=（164.9819，53.6229），_2=（176.4487，69.8868）
将它与C=2时的C均值聚类结果进行比较，分别比较它们的结果图以及聚类中心，下面是它们的聚类中心比较：
聚类方法
C均值聚类分即聚类聚类中心z1=（165.0479，53.6491），z2=（176.4506，69.9378）
_1=（164.9819，53.6229），_2=（176.4487，69.8868）
比较发现它们的聚类结果也很类似分析：
比较发现利用分即聚类方法与利用C均值聚类法时C取2时的聚类结果极其相似，但是，从误差平方和角度考虑，利用C均值聚类时C=2并不是最好的聚类结果，C=5时，才是最好的分类，由此可见，从误差平方和角度考虑，C均值聚类法比分即聚类法更优。
五、
心得体会通过本次试验，我们队C均值聚类法以及分即聚类法都有了较好的理解，并且在用MATLAB编程方面都有了很大进步。
升级会员 