kmeans聚类算法原理matlab代码

K-means聚类算法是一种常用的无监督学习算法，用于将样本数据划分为K个不同的类别。下面是使用Matlab实现K-means聚类算法的简单示例代码：

% 载入数据集
load('data.mat');

% 设置参数
K = 3; % 聚类簇数
maxIter = 100; % 最大迭代次数

% 随机初始化聚类中心
idx = randperm(size(data, 1), K);
centroids = data(idx, :);

% 迭代更新聚类中心
for iter = 1:maxIter
    % 计算样本点到聚类中心的距离
    distances = pdist2(data, centroids);
    
    % 分配样本点到最近的聚类中心
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心
    for k = 1:K
        centroids(k, :) = mean(data(labels == k, :));
    end
end

% 绘制聚类结果
figure;
gscatter(data(:, 1), data(:, 2), labels);
hold on;
plot(centroids(:, 1), centroids(:, 2), 'k*', 'MarkerSize', 10);
title('K-means Clustering');
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids');

请注意，这只是一个简单的示例代码，需要根据你的具体数据集和需求进行适当的修改。你需要将数据集存储为名为"data.mat"的MAT文件，并确保数据集中的每一行表示一个样本，每一列表示一个特征。代码通过迭代更新聚类中心，并将最终结果可视化为散点图。

希望对你有所帮助！