目前已知matlab的聚類方法有三種：
一、利用 clusterdata函數對樣本數據進行一次聚類，其缺點為可供用戶選擇的面較窄，不能更改距離的計算方法；
二、層次聚類，該方法較為靈活，需要進行細節了解聚類原理，具體需要進行如下過程處理：
（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。
三、划分聚類，包括K均值聚類和K中心聚類，同樣需要系列步驟完成該過程，要求使用者對聚類原理和過程有較清晰的認識。
1．Matlab中相關函數介紹
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，每個對象的大小為n。
metric’取值如下：
‘euclidean’：歐氏距離（默認）；
‘seuclidean’：標准化歐氏距離；
‘mahalanobis’：馬氏距離；
‘cityblock’：布洛克距離；
‘minkowski’：明可夫斯基距離；
‘cosine’：余弦
‘correlation’：相關系數
‘hamming’：漢明距離
‘jaccard’：jaccard相似性系數
‘chebychev’：Chebychev距離。
Y:輸出，m個對象中兩兩之間的距離，為一個行向量，長度為
。
1.2 squareform函數
調用格式：Z=squareform(Y,..)
說明： 強制將距離矩陣從轉化為對角線元素全是零且對稱的方陣形式，或從對角線元素全是零且對稱的方陣形式轉化為一個行向量。
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為一個包含聚類樹信息的（m-1）×3的矩陣。
Z=linkage(Y)
Z =
3.0000 4.0000 0.2228
2.0000 5.0000 0.5401
1.0000 7.0000 1.0267
6.0000 9.0000 1.0581
8.0000 10.0000 1.3717
Z數組的前兩列是索引下標列，最后一列是距離列。例如上例中表示在產生聚類樹的計算過程中，第3和第4點先聚成一類，他們之間的距離是0.2228，以此類推。要注意的是，為了標記每一個節點，需要給新產生的聚類也安排一個標識，MATLAB中會將新產生的聚類依次用m+1,m+2,....依次來標識。比如第3和第4點聚成的類以后就用7來標識，第2和第5點聚成的類用8來標識，依次類推。
通過linkage函數計算之后，實際上二叉樹式的聚類已經完成了。只是這個數據數組不大好看，可以用dendrogram(Z)來可視化聚類樹。
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）。
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相關系數。
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。
1.7 clusterdata函數
調用格式有兩種：1）T=clusterdata(X,cutoff)；
2）T=clusterdata(X,param1,val1,param2,val2,...)
說明：根據數據創建分類。
1）T=clusterdata(X,cutoff)；
當0<cutoff<2時，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',cutoff);
當cutoff是個不小於2的整數時，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,'maxclust',cutoff);
2）T=clusterdata(X,param1,val1,param2,val2,...)的選擇空間更大些，參數參照如下表：
2. Matlab程序
2.1 一次聚類法
X=[11978 12.5 93.5 31908;…;57500 67.6 238.0 15900];
T=clusterdata(X,0.9)
2.2 分步聚類（二三均適用其流程）
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函數進行標准化。
X2=zscore(X); %標准化數據
Y2=pdist(X2); %計算距離
Step2 定義變量之間的連接
Z2=linkage(Y2);
Step3 評價聚類信息
C2=cophenet(Z2,Y2); //0.94698
Step4 創建聚類，並作出譜系圖
T=cluster(Z2,6);
H=dendrogram(Z2);