kmeans matlab完整代码

当然，下面是一个简单的K-means聚类的完整MATLAB代码示例：

% 生成随机数据
data = randn(100, 2);
% 设置聚类数量
k = 3;
% 初始化聚类中心
centroids = datasample(data, k, 'Replace', false);
% 迭代次数
maxIter = 100;
% 初始化聚类结果
clusterAssignments = zeros(size(data, 1), 1);

for iter = 1:maxIter
    % 计算样本点到聚类中心的距离
    distances = pdist2(data, centroids);
    % 将样本点分配到距离最近的聚类中心
    [~, clusterAssignments] = min(distances, [], 2);
    % 更新聚类中心
    for i = 1:k
        centroids(i, :) = mean(data(clusterAssignments == i, :), 1);
    end
end

% 绘制聚类结果
figure;
gscatter(data(:, 1), data(:, 2), clusterAssignments);
hold on;
plot(centroids(:, 1), centroids(:, 2), 'k*', 'MarkerSize', 10);
hold off;

在这个示例中，我们首先生成了一个包含随机数据的矩阵。然后我们设置了聚类的数量 `k`，初始化了聚类中心 `centroids`，并设置了最大迭代次数 `maxIter`。接下来，我们使用一个循环来进行K-means聚类的迭代过程，直到达到最大迭代次数。

在每次迭代中，我们计算了样本点到聚类中心的距离，并将样本点分配到距离最近的聚类中心。然后更新聚类中心为每个聚类的平均值。最后，我们绘制了聚类结果，用不同的颜色表示不同的聚类，并用星号表示聚类中心。

请注意，这只是一个简单的K-means聚类的示例，实际应用中可能需要根据具体问题进行修改和优化。希望对你有帮助！