This example performs K-means cluster analysis on Fisher's iris data. The initial cluster seeds are generated using the K-means++ algorithm.
import java.text.*;
import com.imsl.stat.*;
import com.imsl.math.*;
public class ClusterKMeansEx2 {
public static void main(String argv[]) throws Exception {
double[][] x = {
{5.100, 3.500, 1.400, 0.200},
{4.900, 3.000, 1.400, 0.200},
{4.700, 3.200, 1.300, 0.200},
{4.600, 3.100, 1.500, 0.200},
{5.000, 3.600, 1.400, 0.200},
{5.400, 3.900, 1.700, 0.400},
{4.600, 3.400, 1.400, 0.300},
{5.000, 3.400, 1.500, 0.200},
{4.400, 2.900, 1.400, 0.200},
{4.900, 3.100, 1.500, 0.100},
{5.400, 3.700, 1.500, 0.200},
{4.800, 3.400, 1.600, 0.200},
{4.800, 3.000, 1.400, 0.100},
{4.300, 3.000, 1.100, 0.100},
{5.800, 4.000, 1.200, 0.200},
{5.700, 4.400, 1.500, 0.400},
{5.400, 3.900, 1.300, 0.400},
{5.100, 3.500, 1.400, 0.300},
{5.700, 3.800, 1.700, 0.300},
{5.100, 3.800, 1.500, 0.300},
{5.400, 3.400, 1.700, 0.200},
{5.100, 3.700, 1.500, 0.400},
{4.600, 3.600, 1.000, 0.200},
{5.100, 3.300, 1.700, 0.500},
{4.800, 3.400, 1.900, 0.200},
{5.000, 3.000, 1.600, 0.200},
{5.000, 3.400, 1.600, 0.400},
{5.200, 3.500, 1.500, 0.200},
{5.200, 3.400, 1.400, 0.200},
{4.700, 3.200, 1.600, 0.200},
{4.800, 3.100, 1.600, 0.200},
{5.400, 3.400, 1.500, 0.400},
{5.200, 4.100, 1.500, 0.100},
{5.500, 4.200, 1.400, 0.200},
{4.900, 3.100, 1.500, 0.200},
{5.000, 3.200, 1.200, 0.200},
{5.500, 3.500, 1.300, 0.200},
{4.900, 3.600, 1.400, 0.100},
{4.400, 3.000, 1.300, 0.200},
{5.100, 3.400, 1.500, 0.200},
{5.000, 3.500, 1.300, 0.300},
{4.500, 2.300, 1.300, 0.300},
{4.400, 3.200, 1.300, 0.200},
{5.000, 3.500, 1.600, 0.600},
{5.100, 3.800, 1.900, 0.400},
{4.800, 3.000, 1.400, 0.300},
{5.100, 3.800, 1.600, 0.200},
{4.600, 3.200, 1.400, 0.200},
{5.300, 3.700, 1.500, 0.200},
{5.000, 3.300, 1.400, 0.200},
{7.000, 3.200, 4.700, 1.400},
{6.400, 3.200, 4.500, 1.500},
{6.900, 3.100, 4.900, 1.500},
{5.500, 2.300, 4.000, 1.300},
{6.500, 2.800, 4.600, 1.500},
{5.700, 2.800, 4.500, 1.300},
{6.300, 3.300, 4.700, 1.600},
{4.900, 2.400, 3.300, 1.000},
{6.600, 2.900, 4.600, 1.300},
{5.200, 2.700, 3.900, 1.400},
{5.000, 2.000, 3.500, 1.000},
{5.900, 3.000, 4.200, 1.500},
{6.000, 2.200, 4.000, 1.000},
{6.100, 2.900, 4.700, 1.400},
{5.600, 2.900, 3.600, 1.300},
{6.700, 3.100, 4.400, 1.400},
{5.600, 3.000, 4.500, 1.500},
{5.800, 2.700, 4.100, 1.000},
{6.200, 2.200, 4.500, 1.500},
{5.600, 2.500, 3.900, 1.100},
{5.900, 3.200, 4.800, 1.800},
{6.100, 2.800, 4.000, 1.300},
{6.300, 2.500, 4.900, 1.500},
{6.100, 2.800, 4.700, 1.200},
{6.400, 2.900, 4.300, 1.300},
{6.600, 3.000, 4.400, 1.400},
{6.800, 2.800, 4.800, 1.400},
{6.700, 3.000, 5.000, 1.700},
{6.000, 2.900, 4.500, 1.500},
{5.700, 2.600, 3.500, 1.000},
{5.500, 2.400, 3.800, 1.100},
{5.500, 2.400, 3.700, 1.000},
{5.800, 2.700, 3.900, 1.200},
{6.000, 2.700, 5.100, 1.600},
{5.400, 3.000, 4.500, 1.500},
{6.000, 3.400, 4.500, 1.600},
{6.700, 3.100, 4.700, 1.500},
{6.300, 2.300, 4.400, 1.300},
{5.600, 3.000, 4.100, 1.300},
{5.500, 2.500, 4.000, 1.300},
{5.500, 2.600, 4.400, 1.200},
{6.100, 3.000, 4.600, 1.400},
{5.800, 2.600, 4.000, 1.200},
{5.000, 2.300, 3.300, 1.000},
{5.600, 2.700, 4.200, 1.300},
{5.700, 3.000, 4.200, 1.200},
{5.700, 2.900, 4.200, 1.300},
{6.200, 2.900, 4.300, 1.300},
{5.100, 2.500, 3.000, 1.100},
{5.700, 2.800, 4.100, 1.300},
{6.300, 3.300, 6.000, 2.500},
{5.800, 2.700, 5.100, 1.900},
{7.100, 3.000, 5.900, 2.100},
{6.300, 2.900, 5.600, 1.800},
{6.500, 3.000, 5.800, 2.200},
{7.600, 3.000, 6.600, 2.100},
{4.900, 2.500, 4.500, 1.700},
{7.300, 2.900, 6.300, 1.800},
{6.700, 2.500, 5.800, 1.800},
{7.200, 3.600, 6.100, 2.500},
{6.500, 3.200, 5.100, 2.000},
{6.400, 2.700, 5.300, 1.900},
{6.800, 3.000, 5.500, 2.100},
{5.700, 2.500, 5.000, 2.000},
{5.800, 2.800, 5.100, 2.400},
{6.400, 3.200, 5.300, 2.300},
{6.500, 3.000, 5.500, 1.800},
{7.700, 3.800, 6.700, 2.200},
{7.700, 2.600, 6.900, 2.300},
{6.000, 2.200, 5.000, 1.500},
{6.900, 3.200, 5.700, 2.300},
{5.600, 2.800, 4.900, 2.000},
{7.700, 2.800, 6.700, 2.000},
{6.300, 2.700, 4.900, 1.800},
{6.700, 3.300, 5.700, 2.100},
{7.200, 3.200, 6.000, 1.800},
{6.200, 2.800, 4.800, 1.800},
{6.100, 3.000, 4.900, 1.800},
{6.400, 2.800, 5.600, 2.100},
{7.200, 3.000, 5.800, 1.600},
{7.400, 2.800, 6.100, 1.900},
{7.900, 3.800, 6.400, 2.000},
{6.400, 2.800, 5.600, 2.200},
{6.300, 2.800, 5.100, 1.500},
{6.100, 2.600, 5.600, 1.400},
{7.700, 3.000, 6.100, 2.300},
{6.300, 3.400, 5.600, 2.400},
{6.400, 3.100, 5.500, 1.800},
{6.000, 3.000, 4.800, 1.800},
{6.900, 3.100, 5.400, 2.100},
{6.700, 3.100, 5.600, 2.400},
{6.900, 3.100, 5.100, 2.300},
{5.800, 2.700, 5.100, 1.900},
{6.800, 3.200, 5.900, 2.300},
{6.700, 3.300, 5.700, 2.500},
{6.700, 3.000, 5.200, 2.300},
{6.300, 2.500, 5.000, 1.900},
{6.500, 3.000, 5.200, 2.000},
{6.200, 3.400, 5.400, 2.300},
{5.900, 3.000, 5.100, 1.800}
};
Random r = new Random(123457L);
r.setMultiplier(16807);
ClusterKMeans kmean = new ClusterKMeans(x, 3, r);
double[][] cm = kmean.compute();
double[][] cc = kmean.getInitialCenters();
double[] wss = kmean.getClusterSSQ();
int[] ic = kmean.getClusterMembership();
int[] nc = kmean.getClusterCounts();
PrintMatrix pm = new PrintMatrix("Cluster Means");
PrintMatrixFormat pmf = new PrintMatrixFormat();
NumberFormat nf = NumberFormat.getInstance();
nf.setMinimumFractionDigits(4);
pmf.setNumberFormat(nf);
pm.print(pmf, cm);
new PrintMatrix("Cluster Centers from K-means++").print(cc);
new PrintMatrix("Sum of Squares").print(wss);
new PrintMatrix("Number of observations").print(nc);
}
}
Cluster Means
0 1 2 3
0 6.8500 3.0737 5.7421 2.0711
1 5.0060 3.4280 1.4620 0.2460
2 5.9016 2.7484 4.3935 1.4339
Cluster Centers from K-means++
0 1 2 3
0 6.7 3.3 5.7 2.5
1 5.7 4.4 1.5 0.4
2 5.8 2.8 5.1 2.4
Sum of Squares
0
0 23.879
1 15.151
2 39.821
Number of observations
0
0 38
1 50
2 62
Link to Java source.