对二维模式样本集，编写MATLAB程序实现k均值算法进行聚类，通过分别改变类别数量和初始聚类中心（控制变量法）来获得不同 的结果

好的，下面是MATLAB程序实现k均值算法进行聚类的示例代码：

% 生成随机的二维模式样本集
rng(1);
data = [randn(100,2)*0.75+ones(100,2);
        randn(100,2)*0.5-ones(100,2)];

% 设定类别数量
K = 2;

% 设定初始聚类中心
initial_centroids = [-1 -1; 1 1];

% 迭代次数
max_iters = 10;

% 运行k-means聚类算法
[centroids, idx] = runkMeans(data, initial_centroids, max_iters);

% 可视化结果
figure;
plotDataPoints(data, idx, K);
title(sprintf('K-Means Clustering (k = %d)', K));

% k-means聚类算法的实现函数
function [centroids, idx] = runkMeans(X, initial_centroids, max_iters)
    % 初始化一些变量
    [m, n] = size(X);
    K = size(initial_centroids, 1);
    centroids = initial_centroids;
    idx = zeros(m, 1);

    % 迭代k-means算法
    for i=1:max_iters
        % 计算每个样本距离最近的聚类中心
        idx = findClosestCentroids(X, centroids);

        % 将每个聚类中心移动到所属样本的均值处
        centroids = computeCentroids(X, idx, K);
    end
end

% 找到每个样本距离最近的聚类中心
function idx = findClosestCentroids(X, centroids)
    K = size(centroids, 1);
    idx = zeros(size(X,1), 1);
    m = size(X,1);
    for i=1:m
        min_dist = inf;
        for j=1:K
            dist = sum((X(i,:) - centroids(j,:)).^2);
            if dist < min_dist
                min_dist = dist;
                idx(i) = j;
            end
        end
    end
end

% 计算每个聚类中心的均值，并将其移动到所属样本的均值处
function centroids = computeCentroids(X, idx, K)
    [m, n] = size(X);
    centroids = zeros(K, n);
    for i=1:K
        centroids(i,:) = mean(X(idx==i,:),1);
    end
end

% 可视化聚类结果
function plotDataPoints(X, idx, K)
    colors = hsv(K);
    for k=1:K
        scatter(X(idx==k,1), X(idx==k,2), 15, colors(k,:), 'filled');
        hold on;
    end
    hold off;
end

通过调整`K`和`initial_centroids`的值，可以得到不同的聚类结果。例如，将`K`设定为3，`initial_centroids`设定为`[0 0; -1 -1; 1 1]`，就可以得到3类聚类结果。这里只是一个简单的示例代码，您可以根据具体需求进行修改和扩展。