多维数据k-means matlab

在MATLAB中进行多维数据k-means聚类的步骤如下：

1. 准备数据：将多维数据存储在一个矩阵中，每行表示一个数据点，每列表示一个特征。

2. 选择k值：确定聚类的数量k。

3. 初始化聚类中心：随机选取k个数据点作为聚类中心。

4. 计算距离：计算每个数据点到k个聚类中心的距离。

5. 分配数据点到最近的聚类中心：将每个数据点分配到距离最近的聚类中心。

6. 更新聚类中心：计算每个聚类中心的平均值，将其作为新的聚类中心。

7. 重复步骤4-6，直到聚类中心不再改变或达到预设的迭代次数。

8. 输出结果：输出每个数据点所属的聚类。

以下是一个简单的示例代码：

% 准备数据
data = randn(100, 5); % 生成100个5维随机数据点

% 选择k值
k = 4;

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

% 迭代聚类
for iter = 1:10
    % 计算距离
    distances = pdist2(data, centroids);
    
    % 分配数据点到最近的聚类中心
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心
    for i = 1:k
        centroids(i, :) = mean(data(labels == i, :), 1);
    end
end

% 输出结果
disp(labels);

注意，这只是一个简单的示例代码，实际应用中需要根据具体情况做出适当的调整。