写一个基于matlab的k-means代码

下面是一个简单的基于Matlab的k-means聚类代码：

function [centroids, idx] = kmeans(X, K, max_iters)

% X是一个m x n维的矩阵，其中m表示数据点数，n表示每个数据点的特征数
% K是聚类的数目
% max_iters是最大的迭代次数

% 初始化聚类中心
[m, n] = size(X);
centroids = X(randperm(m, K), :);

% 初始化聚类索引
idx = zeros(m, 1);

% 迭代K-means
for i=1:max_iters
    % 计算每个数据点到每个聚类中心的距离
    dist = pdist2(X, centroids, 'euclidean');
    % 将每个数据点分配到最近的聚类中心
    [~, idx] = min(dist, [], 2);
    % 更新聚类中心
    for j=1:K
        centroids(j, :) = mean(X(idx == j, :));
    end
end

end

该代码接受一个m x n维的数据矩阵X，一个聚类数目K以及最大的迭代次数max_iters作为输入，然后输出聚类中心centroids和每个数据点的聚类idx。在该代码中，我们使用了欧几里得距离来计算数据点到聚类中心的距离，然后将每个数据点分配到最近的聚类中心，最后更新聚类中心的位置。