matlab kmenas聚类

MATLAB中的K-Means聚类算法可以通过以下步骤实现：

1. 首先，需要准备数据。数据应该是一个n维的向量或矩阵，其中n是特征数。

2. 然后，需要选择聚类数量k。

3. 接着，需要初始化k个聚类中心。可以随机选择k个数据点作为初始聚类中心，或者使用其他方法进行初始化。

4. 然后，对于每个数据点，计算其与所有聚类中心的距离，并将其分配到距离最近的聚类中心。

5. 计算每个聚类中所有数据点的平均值，并将其作为新的聚类中心。

6. 重复步骤4和5，直到聚类中心不再发生变化或达到最大迭代次数。

7. 最后，输出聚类结果。

在MATLAB中，可以使用以下代码实现K-Means聚类算法：

% 准备数据
data = [1 2; 3 4; 5 6; 7 8; 9 10];

% 选择聚类数量
k = 2;

% 初始化聚类中心
center = datasample(data, k, 'Replace', false);

% 迭代次数
maxIter = 100;

for iter = 1:maxIter
    % 计算距离并分配数据点到最近的聚类中心
    distance = pdist2(data, center);
    [~, label] = min(distance, [], 2);
    
    % 计算新的聚类中心
    for i = 1:k
        center(i,:) = mean(data(label==i,:), 1);
    end
end

% 输出聚类结果
disp(label);

在此代码中，我们首先准备了数据，然后选择了聚类数量为2。接着，使用`datasample`函数随机选择两个数据点作为初始聚类中心。然后，使用一个循环，重复执行计算距离、分配数据点和计算新聚类中心的步骤，直到达到最大迭代次数或聚类中心不再发生变化。最后，输出聚类结果。