kmeans聚类算法matlab代码，不要内置的，并使用readmaritx读取外置数据集

K-means聚类是一种常用的无监督学习方法，它将数据集分为预设数量的类别，使得每个点都靠近其所在类别的中心。在MATLAB中，我们可以手动编写K-means算法，包括初始化质心、迭代更新质心和分类数据等步骤。这里是一个简化的示例代码，假设我们没有使用内置函数，也不直接读取文件，而是手动处理数据：

% 加载数据（这里假设数据已经存在并存储在一个变量data中）
% data = readmatrix('your_data_file.csv'); % 替换成实际数据文件路径

% 确定簇的数量k
k = 3; 

% 初始化随机质心
 centroids = zeros(k, size(data, 2)); % 假设数据有两列
centroids = data(randperm(size(data, 1)), :); % 随机选择初始质心

% 主循环：迭代直到收敛或达到最大迭代次数
max_iters = 100;
for iter = 1:max_iters
    % 分配每个点到最近的簇
    cluster_idx = zeros(size(data, 1), 1);
    for i = 1:size(data, 1)
        [dist, idx] = min(sqrt(sum((data(i,:) - centroids).^2)));
        cluster_idx(i) = idx;
    end
    
    % 更新质心为当前簇的均值
    for j = 1:k
        centroids(j, :) = mean(data(cluster_idx == j, :));
    end
    
    % 判断是否收敛：如果质心位置连续两次未发生变化，停止迭代
    if norm(centroids(:, end-1) - centroids(:, end)) < 1e-6
        break;
    end
end

% 显示结果
disp('Cluster assignments:');
disp(cluster_idx);

% 可视化聚类结果（如果数据是二维的）
scatter(data(:, 1), data(:, 2), [], cluster_idx, 'filled');
hold on;
scatter(centroids(:, 1), centroids(:, 2), 100, 'r', 'filled');
title('K-Means Clustering Result');