matlab实现k-means聚类简单的案例分析

Matlab是一种强大的数值计算工具，尤其适合数据处理和机器学习任务，包括K-means聚类算法。下面是一个简单案例，展示如何在Matlab中使用K-means进行二维数据集的聚类：

% 创建随机数据集（假设我们有100个样本，每个样本有两个特征）
data = rand(100, 2); % 生成100个点分布在2D空间

% 定义K值（比如我们将数据分为3簇）
K = 3;

% 初始化质心（可以选择随机的初始中心点）
Centroids = data(randperm(size(data, 1), K), :);

% 进行迭代直到收敛
while true
    % 计算每个点到各个质心的距离，并将其归入最近的簇
    distances = pdist2(data, Centroids);
    [~, labels] = min(distances, [], 2); % labels存储每个点所属的簇编号
    
    % 更新质心，取每个簇内所有点的均值作为新的质心位置
    new_Centroids = mean(data(labels == eachCluster,:), 'all');
    
    % 判断是否达到收敛条件，例如当质心不再改变或达到最大迭代次数
    if norm(Centroids - new_Centroids) < tolerance || iteration >= max_iterations
        break;
    end
    Centroids = new_Centroids;
    iteration = iteration + 1;
end

% 可视化结果
scatter(data(:,1), data(:,2), 10, labels, 'filled');
hold on;
scatter(Centroids(:,1), Centroids(:,2), 50, 'k', 'filled'); % 显示最终质心
title('K-Means Clustering Result');
xlabel('Feature 1');
ylabel('Feature 2');