Matlab最簡單的聚類方法：kmeans聚類，使用方法: kmeans(X，k)。
Matlab提供了兩種方法進行聚類分析：
1.一次聚類
這是利用 clusterdata函數對樣本數據進行一次聚類，其缺點爲可供用戶選擇的面較窄，不能更改距離的計算方法；
Clusterdata函數可以視爲 pdist、 linkage與 cluster的綜合，一般比較簡單。
【 clusterdata函數：
調用格式： T=clusterdata(X,cutoff)
等價於Y=pdist(X,'euclid');
Z=linkage(Y,'single'); T=cluster(Z,cutoff)】
2.分步聚類
（1）找到數據集合中變量兩兩之間的相似性和非相似性，用pdist函數計算變量之間的距離；
（2）用 linkage函數定義變量之間的連接；
（3）用 cophenetic函數評價聚類信息；
（4）用cluster函數創建聚類。
2.1 Matlab中相關函數介紹
2.1.1 pdist函數
調用格式：Y=pdist(X,'metric')
說明：用'metric'指定的方法計算 X 數據矩陣中對象之間的距離。
X：一個m×n的矩陣，它是由m個對象組成的數據集，每個對象的大小爲n。
metric取值如下：
'euclidean'：歐氏距離（默認）；'seuclidean'：標準化歐氏距離；
'mahalanobis'：馬氏距離；'cityblock'：布洛克距離；
'minkowski'：明可夫斯基距離；'cosine'：餘弦距離；
'correlation'：相關係數；'hamming'：漢明距離；
'jaccard'：傑卡德距離；'chebychev'：Chebychev距離。
2.1.2 squareform函數
調用格式：Z=squareform(Y,..)
說明： 強制將距離矩陣從上三角形式轉化爲方陣形式，或從方陣形式轉化爲上三角形式。
2.1.3 linkage函數
調用格式：Z=linkage(Y,’method’)
說 明：用‘method’參數指定的算法計算系統聚類樹。
Y：pdist函數返回的距離向量；
method：可取值如下：
‘single’：最短距離法（默認）； ‘complete’：最長距離法；
‘average’：未加權平均距離法； ‘weighted’： 加權平均法；
‘centroid’： 質心距離法； ‘median’：加權質心距離法；
‘ward’：內平方距離法（最小方差算法）
返回：Z爲一個包含聚類樹信息的（m-1）×3的矩陣。
2.1.4 dendrogram函數
調用格式：[H，T，…]=dendrogram(Z,p，…)
說明：生成只有頂部p個節點的冰柱圖（譜系圖）。
2.1.5 cophenet函數
調用格式：c=cophenetic(Z,Y)
說明：利用pdist函數生成的Y和linkage函數生成的Z計算cophenet相關係數。
2.1.6 cluster 函數
調用格式：T=cluster(Z,…)
說明：根據linkage函數的輸出Z 創建分類。
2.1.7 clusterdata函數
調用格式：T=clusterdata(X,…)
說明：根據數據創建分類。
T=clusterdata(X,cutoff)與下面的一組命令等價：
Y=pdist(X,’euclid’);
Z=linkage(Y,’single’);
T=cluster(Z,cutoff);
3. Matlab程序
3.1 一次聚類
X=[11978 12.5 93.5 31908;…;57500 67.6 238.0 15900];
T=clusterdata(X,0.9)
3.2 分步聚類
Step1 尋找變量之間的相似性
用pdist函數計算相似矩陣，有多種方法可以計算距離，進行計算之前最好先將數據用zscore函數進行標準化。
X=zscore(data); %標準化數據
Y=pdist(X); %計算距離
Step2 定義變量之間的連接
Z=linkage(Y);
Step3 評價聚類信息
C=cophenet(Z,Y); //0.6190
Step4 創建聚類，並作出譜系圖
T=cluster(Z,3);
H=dendrogram(Z);
參考：http://blog.sina.com.cn/s/blog_5a13cf680100aj18.html
