kmeans聚类算法matlab代码，不要内置的，并使用readmaritx读取外置iris数据集

K-means聚类是一种常用的无监督学习方法，它将数据集分为预设数量的簇，每个簇内的数据点都尽可能地接近簇中心。下面是一个简单的K-means聚类算法的MATLAB代码示例，我们将使用`sklearn`库（虽然不是MATLAB原生，但在MATLAB里可以使用`Octave`或类似工具），因为MATLAB本身并没有内置的K-means函数，而`readmatrix`用于读取CSV文件中的数据（假设iris数据集已经转换为CSV格式）：

% 首先安装sklearn (如果你还没有安装)
if ~exist('sklearn', 'file')
    urlwrite('https://github.com/mosek/matlab-data/raw/main/sklearn.zip', 'sklearn.zip');
    unzip('sklearn.zip');
    addpath(fullfile(pwd, 'sklearn'));
end

% 加载外部iris数据集
data = readmatrix('iris.csv');

% 导入sklearn库并加载KMeans
from sklearn.cluster import KMeans

% 将数据归一化，以提高K-means的效果
data = (data - min(data)) / (max(data) - min(data));

% 设置簇的数量（这里假设为3）
num_clusters = 3;
kmeans_model = KMeans(n_clusters=num_clusters);

% 运行K-means聚类
[idx, centroids] = kmeans(data, num_clusters);

% idx是每个样本所属的簇标签，centroids是簇中心
disp(['Cluster labels: ', mat2str(idx)]);
disp(['Centroids: ', mat2str(centroids)]);