kmeans聚类算法检测异常值并删除matlab代码

以下是使用K-means聚类算法检测并删除异常值的MATLAB代码示例：

% 数据准备
data = [1 2; 2 4; 3 6; 10 20; 12 24; 15 30; 100 200];

% 设置聚类数目
k = 2;

% 使用K-means进行聚类
[idx, centers] = kmeans(data, k);

% 计算每个数据点到其所属聚类中心的距离
distances = zeros(size(data, 1), 1);
for i = 1:size(data, 1)
    distances(i) = norm(data(i, :) - centers(idx(i), :));
end

% 计算距离的平均值和标准差
mean_distance = mean(distances);
std_distance = std(distances);

% 根据距离的标准差进行异常值检测和删除
threshold = mean_distance + std_distance * 2; % 设置阈值为平均距离加两倍标准差
outliers = find(distances > threshold); % 找到超过阈值的数据点索引

% 删除异常值
cleaned_data = data;
cleaned_data(outliers, :) = [];

% 打印结果
disp('原始数据:');
disp(data);
disp('异常值:');
disp(data(outliers, :));
disp('清理后的数据:');
disp(cleaned_data);

这段代码首先将数据传递给K-means算法进行聚类，并计算每个数据点到其所属聚类中心的距离。然后，计算距离的平均值和标准差，并根据标准差进行异常值检测和删除。最后，打印原始数据、异常值和清理后的数据。请注意，此示例代码中的数据是一个简化的二维矩阵，您可以根据您的实际数据进行适当的修改。