22、 启动Matlab，运用Matlab对数据集（UCI 的Iris数据集）进行K-means算法、（选做）聚类分析，写出关键代码，数据集名称，记录实验过程，实验结果，

在MATLAB中，我们可以使用内置的`kmeans`函数来进行K-means聚类。首先，你需要从UCI机器学习库下载Iris数据集，这是一个常用的多分类问题数据集，包含了鸢尾花的四个属性：萼片长度、萼片宽度、花瓣长度和花瓣宽度。

以下是一个简单的步骤演示如何在MATLAB中完成这个任务：

1. **加载数据**：

   load fisheriris; % 加载Iris数据集
   X = meas; % 提取特征变量（data）

2. **确认数据和K值选择**：

   disp(head(X)); % 查看数据前几行
   K = 3; % 我们通常知道Iris有三种鸢尾花种类，所以设K=3

3. **初始化簇中心**：

   idx = kmeans(double(X), K); % double转换是为了浮点运算，kmeans默认处理double类型的输入
   centers = clusterCentroids(X, idx); % 获取初始聚类中心

4. **迭代优化**：

   [idx, ~] = kmeans(X, idx, 'EmptyAction', 'drop'); % 迭代直到收敛，'EmptyAction', 'drop'表示丢弃空簇

5. **可视化结果**：

   scatter3(X(:,1), X(:,2), X(:,3), 10, idx, 'filled');
   hold on;
   scatter3(centers(:,1), centers(:,2), centers(:,3), 100, 'k', 'filled', 'MarkerFaceColor', 'r');
   legend({'Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids'});
   xlabel('Sepal Length');
   ylabel('Sepal Width');
   zlabel('Petal Length');
   hold off;

6. **查看实验结果**：
结果将显示每个样本所属的簇以及最终的聚类中心。你可以通过比较预测的簇标签与实际的鸢尾花种类，评估聚类效果。

请注意，这只是一个基本的示例，实际过程中可能需要调整K值，增加迭代次数等参数，以获得更好的聚类效果。同时，对于大型数据集，你可能还需要考虑内存管理和性能优化。