c语言非监督学习代码

C语言是一种编程语言，本身并没有提供非监督学习的功能。非监督学习是机器学习的一种方法，用于从无标签的数据中发现模式和结构。要使用非监督学习算法，你可以使用C语言编写代码来实现这些算法。

以下是一个使用C语言实现K-means聚类算法的示例代码：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

#define N 10 // 数据点数量
#define K 2  // 聚类数量

typedef struct {
    double x;
    double y;
    int cluster;
} Point;

double distance(Point p1, Point p2) {
    double dx = p1.x - p2.x;
    double dy = p1.y - p2.y;
    return sqrt(dx * dx + dy * dy);
}

void kmeans(Point points[]) {
    Point centroids[K];
    
    // 随机选择初始聚类中心
    for (int i = 0; i < K; i++) {
        centroids[i] = points[rand() % N];
    }
    
    int iterations = 0;
    while (1) {
        // 分配数据点到最近的聚类中心
        for (int i = 0; i < N; i++) {
            double minDist = INFINITY;
            for (int j = 0; j < K; j++) {
                double dist = distance(points[i], centroids[j]);
                if (dist < minDist) {
                    minDist = dist;
                    points[i].cluster = j;
                }
            }
        }
        
        // 计算新的聚类中心
        Point newCentroids[K] = {0};
        int clusterCount[K] = {0};
        
        for (int i = 0; i < N; i++) {
            int cluster = points[i].cluster;
            newCentroids[cluster].x += points[i].x;
            newCentroids[cluster].y += points[i].y;
            clusterCount[cluster]++;        }
        
        for (int i = 0; i < K; i++) {
            if (clusterCount[i] > 0) {
                centroids[i].x = newCentroids[i].x / clusterCount[i];
                centroids[i].y = newCentroids[i].y / clusterCount[i];
            }
        }
        
        iterations++;
        
        // 判断是否收敛
        int converge = 1;
        for (int i = 0; i < K; i++) {
            double dist = distance(centroids[i], newCentroids[i]);
            if (dist > 0.001) {
                converge = 0;
                break;
            }
        }
        
        if (converge) {
            break;
        }
    }
    
    // 打印聚类结果
    printf("Iterations: %d\n", iterations);
    for (int i = 0; i < K; i++) {
        printf("Cluster %d:\n", i);
        for (int j = 0; j < N; j++) {
            if (points[j].cluster == i) {
                printf("(%lf, %lf)\n", points[j].x, points[j].y);
            }
        }
    }
}

int main() {
    Point points[N] = {{1, 2}, {2, 1}, {2, 3}, {4, 5}, {5, 4}, 
                       {6, 5}, {7, 6}, {8, 7}, {9, 8}, {10, 9}};
    
    kmeans(points);
    
    return 0;
}

该示例代码实现了K-means聚类算法，使用一个包含10个数据点的简单示例数据集。你可以根据自己的需求修改数据点的数量和坐标。算法将数据点分为两个聚类，并输出聚类结果。