kmeans代码matlab 计算每个样本到聚类中心的距离Dist

K-Means聚类算法是一种基于距离的聚类算法，它可以帮助我们计算每个样本到聚类中心的距离Dist。在MATLAB中，可以使用kmeans函数实现K-Means聚类算法，它可以计算每个样本到聚类中心的距离Dist。

相关问题

kmeans三维聚类算法matlab代码

以下是kmeans三维聚类算法的Matlab代码：

% 生成三维数据
data = rand(100,3);

% 聚类数目
k = 3;

% 迭代次数
max_iter = 100;

% 初始化聚类中心
center = data(1:k,:);

% 迭代计算聚类中心
for i = 1:max_iter
    % 计算每个样本到聚类中心的距离
    dist = pdist2(data, center);
    
    % 确定每个样本所属的聚类
    [~, label] = min(dist, [], 2);
    
    % 更新聚类中心
    for j = 1:k
        center(j,:) = mean(data(label == j,:));
    end
end

% 可视化聚类结果
scatter3(data(:,1), data(:,2), data(:,3), 10, label, 'filled');

代码实现了对三维数据的kmeans聚类，其中包括数据的生成、聚类数目、迭代次数、聚类中心的初始化、计算每个样本到聚类中心的距离、确定每个样本所属的聚类、更新聚类中心以及可视化聚类结果等步骤。

kmeans聚类算法matlab代码

以下是kmeans聚类算法的Matlab代码：

% 数据准备
data = [1,1;1,2;2,1;2,2;5,5;5,6;6,5;6,6];

% 聚类个数和最大迭代次数
k = 2;
max_iter = 10;

% 初始化聚类中心
center = data(randperm(size(data,1),k),:);
last_center = center;

% 迭代
for iter = 1:max_iter
    % 计算每个样本到聚类中心的距离
    dist = pdist2(data,center);
    
    % 对每个样本进行聚类
    [~,label] = min(dist,[],2);
    
    % 更新聚类中心
    for i = 1:k
        center(i,:) = mean(data(label==i,:));
    end
    
    % 判断聚类中心是否变化
    if isequal(center,last_center)
        break;
    end
    last_center = center;
end

% 可视化聚类结果
scatter(data(:,1),data(:,2),[],label);

注释部分是对代码的解释。