matlab k-means聚类原理及代码

K-means（K均值）聚类是一种常用的无监督学习算法，用于将数据集分成K个不同的簇。其原理如下：

1. 随机选择K个初始聚类中心（centroid）。
2. 将每个数据点分配给其最近的聚类中心。
3. 根据分配结果，更新每个聚类簇的中心点位置。
4. 重复步骤2和3直到聚类中心不再发生变化或达到指定迭代次数。

K-means聚类可以通过以下Matlab代码实现：

% 加载数据集
load('data.mat');

% 设定聚类个数K
K = 3;

% 随机选择K个初始聚类中心
centroids = datasample(data, K, 'Replace', false);

% 迭代次数
max_iters = 10;

for iter = 1:max_iters
    % 分配每个数据点到最近的聚类中心
    distance = pdist2(data, centroids);
    [~, labels] = min(distance, [], 2);
    
    % 更新聚类中心
    for k = 1:K
        centroids(k,:) = mean(data(labels==k, :));
    end
end

% 打印每个数据点的聚类结果
disp(labels);

上述代码中，我们首先加载数据集，并设定了聚类个数K为3。然后，我们随机选择K个数据点作为初始聚类中心。接下来，我们进行迭代，计算每个数据点到聚类中心的距离，并将其分配给最近的聚类中心。更新后的聚类中心将用于下一次迭代，直到达到指定的迭代次数。最后，我们打印出每个数据点的聚类结果。

注意：上述代码仅为演示目的，实际应用中可能需要根据具体情况进行调整和优化。