一维k-means的matlab编程

一维k-means是一种基于距离的聚类算法用于将一维数据集划分为k个不同的簇。下面是一维k-means的Matlab编程示例：

% 生成一维数据集
data = [1, 2, 3, 4, 10, 11, 12, 20, 21, 22];

% 设置聚类数目
k = 2;

% 随机初始化聚类中心
centers = datasample(data, k, 'Replace', false);

% 迭代更新聚类中心
maxIter = 100;
for iter = 1:maxIter
    % 计算每个样本与聚类中心的距离
    distances = abs(data - centers');
    
    % 分配样本到最近的聚类中心
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心为每个簇的均值
    for i = 1:k
        centers(i) = mean(data(labels == i));
    end
end

% 打印聚类结果
disp(labels);

% 打印聚类中心
disp(centers);

这段代码首先生成了一个一维数据集`data`，然后设置了聚类数目`k`。接着，通过随机选择`k`个样本作为初始聚类中心。然后，进行迭代更新，计算每个样本与聚类中心的距离，并将样本分配到最近的聚类中心。最后，更新聚类中心为每个簇的均值。代码最后打印了聚类结果和聚类中心。