MATLAB k-means

MATLAB 中的 k-means 是一种基于聚类思想的无监督学习算法，它用来将数据分成 k 个簇。该算法的主要思想是将数据点分配到离它们最近的 k 个簇中，并计算簇的中心作为新的聚类中心。然后，重复此过程，直到聚类中心不再改变或达到预设的迭代次数。

MATLAB 中使用 k-means 的步骤如下：

1. 读取数据
2. 初始化聚类中心
3. 进行迭代，计算每个数据点与聚类中心的距离，并将其分配到最近的簇中
4. 计算每个簇的中心
5. 重复步骤3和4，直到聚类中心不再改变或达到预设的迭代次数

下面是一个简单的 MATLAB 代码示例：

% 读取数据
data = load('data.txt');

% 初始化聚类中心
K = 3;
centroids = initCentroids(data, K);

% 进行迭代
for i = 1:10
   % 计算每个数据点与聚类中心的距离，并将其分配到最近的簇中
   idx = findClosestCentroids(data, centroids);
   
   % 计算每个簇的中心
   centroids = computeCentroids(data, idx, K);
end

% 可视化结果
plotDataPoints(data, idx, K);

其中，`initCentroids` 函数用于初始化聚类中心，`findClosestCentroids` 函数用于计算每个数据点与聚类中心的距离并将其分配到最近的簇中，`computeCentroids` 函数用于计算每个簇的中心，`plotDataPoints` 函数用于可视化结果。