octave之奇巧淫技向量化计算实现寻找样本点所属聚类下标

　　前面有文章提到过，K-means算法，第一步骤是找出样本点的的所属聚类。下面用两种方式实现，一种是普通的循环，一种是完全向量化计算。

　　假设 ：

　　　　X 是ｍ×ｎ样本矩阵，其每一行是一个样本，ｍ表示样本数目，ｎ表示特征数目；

　　　　centroids是K×ｎ矩阵，K表示聚类数目，ｎ表示特征数目，每一行是一个聚类的中心。

　　　　idx是ｍ×１矩阵，idx(i) 表示第ｉ个样本所属的聚类下标。（取值范围 1..K ）

半循环半向量化方式　实现：

　　思想：循环遍历每一个样本点，计算每一个样本点距离Ｋ个聚类中心的值，并取最小值的那个聚类下标

for i = 1 : size(X, 1)
	dif = bsxfun(@minus, X(i, :), centroids);
	[w, iw] = min(sum(dif .* dif, 2));
	idx(i, :) = iw;
endfor

完全向量化式　实现：

　　思想：　首先，构造两个m×ｎ×Ｋ矩阵，　第一个矩阵为样本点的值，第二个矩阵为聚类中心值；

　　　　　　然后，计算样本点距离聚类中心的值，并找到最小值的那个聚类下标。

X_ext = bsxfun(@plus, X, zeros([size(X), K]));
centroids_ext = permute(centroids, [3, 2, 1]);

dif_ext = bsxfun(@minus, X_ext, centroids_ext);

[~, ix] = min(sum(dif_ext .* dif_ext, 2), [], 3);

idx = ix;

　　跟上面那个半循环半向量的实现方式相比，这个完全向量化代码即很难看懂，也没有更简洁。速度效率也不知道也不会更快。奇巧淫技。