聚類是很快的，所以不需要自適應，只需要[1.....N]個類中心，遍歷一遍，得到N個評估值，[1.....N]選一個最好的類中心數目即可。

類中心個數的評估：

eva = evalclusters(mat,'kmeans','CalinskiHarabasz',...
    'klist',[1:6])
eva = evalclusters(mat,'linkage','CalinskiHarabasz',...
    'klist',[1:6])
eva = evalclusters(mat,'gmdistribution','CalinskiHarabasz',...
    'klist',[1:6])
 

mat------你自己的要聚類的資料，(n*d)每行是一個樣本。

'kmeans'-----這裡是聚類演算法，kmeans大家都知道。linkage是針對有層次資料的聚類演算法，而gmd是高斯混合聚類。

'CalinskiHarabasz'-------是聚類的評價標準，還有另外 三個選項：

'DaviesBouldin''gap''silhouette'

那麼，假如你已經用這個演算法得到了結果，關鍵問題就變成了怎麼挑選最佳聚類中心數目。

klist-----聚類中心的範圍。

挑選聚類中心

同樣的資料，不同的評價標準，都是kmeans聚類方式。

‘CalinskiHarabasz（CH）'挑選拐點，所以這張圖的聚類中心是20.，為了看不同的同學，我給出程式碼：

plot(eva.CriterionValues)

'DaviesBouldin'最大值點，拐點，所以可以選擇20-40之間。

聚類標準含義

'DaviesBouldin'（DB）標準以及CH標準

聚類程式碼

[IDX,C,SUMD,D]=kmeans(mat(label==class,:),C_amount);
[IDX,C,SUMD,D]=kmeans(mat,C_amount);

mat就是你要聚類的資料，n*d，返回值：

 [IDX, C] = kmeans(X, K) returns the K cluster centroid locations in
    the K-by-P matrix C.
 
    [IDX, C, SUMD] = kmeans(X, K) returns the within-cluster sums of
    point-to-centroid distances in the K-by-1 vector sumD.
 
    [IDX, C, SUMD, D] = kmeans(X, K) returns distances from each point
    to every centroid in the N-by-K matrix D.