pca降维与kmeans代码matlab

PCA降维和K-means聚类的代码示例（MATLAB）如下所示：

PCA降维代码示例：

% 假设我们有一个数据矩阵X，其中每一行是一个样本，每一列是一个特征
X = [1, 2, 3; 4, 5, 6; 7, 8, 9; 10, 11, 12];

% 对数据进行均值中心化
mean_X = mean(X);
X_centered = X - mean_X;

% 计算协方差矩阵
cov_X = cov(X_centered);

% 对协方差矩阵进行特征值分解
[eigen_vectors, eigen_values] = eig(cov_X);

% 按特征值降序排列特征向量
[~, idx] = sort(diag(eigen_values), 'descend');
eigen_vectors_sorted = eigen_vectors(:, idx);

% 取前k个特征向量作为主成分
k = 2;
principal_components = eigen_vectors_sorted(:, 1:k);

% 将数据投影到低维空间
X_reduced = X_centered * principal_components;

disp(X_reduced);

K-means聚类代码示例：

% 假设我们有一个数据矩阵X，其中每一行是一个样本，每一列是一个特征
X = [1, 2; 1.5, 1.8; 5, 8; 8, 8; 1, 0.6; 9, 11];

% 设置聚类数目
k = 2;

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

% 迭代更新聚类中心直到收敛
max_iters = 10;
for iter = 1:max_iters
    % 计算每个样本点到各个聚类中心的距离
    distances = pdist2(X, centroids);
    
    % 将每个样本点分配到距离最近的聚类中心
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心为各个簇的平均值
    for i = 1:k
        centroids(i, :) = mean(X(labels == i, :));
    end
end

disp(labels);
disp(centroids);

这些代码示例可以帮助你在MATLAB中实现PCA降维和K-means聚类算法。请根据你的需求修改数据矩阵X和其他参数。