K-means聚类matlab代码，附上可视化分析的代码

以下是K-means聚类的MATLAB代码和可视化分析的代码：

% K-means聚类
clear all; close all; clc;

% 载入数据
load('data.mat');

% 初始化聚类中心
k = 3;
centroids = initCentroids(X, k);

% 迭代次数
max_iters = 10;

% 计算聚类结果
[centroids, idx] = runkMeans(X, centroids, max_iters);

% 可视化聚类结果
plotDataPoints(X, idx, k);

其中，`data.mat`是一个.mat文件，存储了要聚类的数据，它的格式为：变量X是一个矩阵，每一行代表一个数据点，变量y是一个向量，每个元素代表X中对应数据点的类别。

以下是初始化聚类中心的函数`initCentroids`的代码：

function centroids = initCentroids(X, k)
% 随机初始化聚类中心
% X: 数据矩阵
% k: 聚类中心个数

rand_idx = randperm(size(X, 1));
centroids = X(rand_idx(1:k), :);

end

以下是计算聚类结果的函数`runkMeans`的代码：

function [centroids, idx] = runkMeans(X, initial_centroids, max_iters)
% 运行K-means聚类
% X: 数据矩阵
% initial_centroids: 初始化聚类中心
% max_iters: 迭代次数

[m, n] = size(X);
k = size(initial_centroids, 1);
centroids = initial_centroids;
idx = zeros(m, 1);

for i = 1:max_iters
    % 计算每个样本点属于哪个聚类中心
    idx = findClosestCentroids(X, centroids);

    % 重新计算聚类中心
    centroids = computeCentroids(X, idx, k);
end

end

以下是计算每个样本点属于哪个聚类中心的函数`findClosestCentroids`的代码：

function idx = findClosestCentroids(X, centroids)
% 计算每个样本点属于哪个聚类中心
% X: 数据矩阵
% centroids: 聚类中心

K = size(centroids, 1);
idx = zeros(size(X,1), 1);

for i = 1:size(X,1)
    dists = zeros(K, 1);
    for j = 1:K
        dists(j) = sum((X(i,:) - centroids(j,:)).^2);
    end
    [~, idx(i)] = min(dists);
end

end

以下是重新计算聚类中心的函数`computeCentroids`的代码：

function centroids = computeCentroids(X, idx, K)
% 重新计算聚类中心
% X: 数据矩阵
% idx: 每个样本点属于哪个聚类中心
% K: 聚类中心个数

[m n] = size(X);
centroids = zeros(K, n);

for i=1:K
    centroids(i,:) = mean(X(idx==i,:));
end

end

以下是可视化聚类结果的函数`plotDataPoints`的代码：

function plotDataPoints(X, idx, K)
% 可视化聚类结果
% X: 数据矩阵
% idx: 每个样本点属于哪个聚类中心
% K: 聚类中心个数

figure; hold on;

% 设置颜色和标记
color = hsv(K);
markers = {'o', 'x', '^'};

% 绘制每个聚类中心和属于该聚类的样本点
for i=1:K
    plot(X(idx==i,1), X(idx==i,2), markers{i}, ...
         'MarkerSize', 5, 'MarkerEdgeColor', color(i,:), 'MarkerFaceColor', color(i,:));
    plot(X(i,1), X(i,2), markers{i}, ...
         'MarkerSize', 10, 'MarkerEdgeColor', color(i,:), 'MarkerFaceColor', 'none');
end

xlabel('X1'); ylabel('X2'); title('K-means Clustering');
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids');

end

以上就是K-means聚类的MATLAB代码和可视化分析的代码。