kmeans聚类算法matlab python

K-means 聚类算法是一种常用的无监督学习算法，可以对数据进行聚类分析。它的基本思想是将样本数据划分为 K 个簇，使得簇内的数据点尽量相似，而簇间的数据点相互之间尽量不相似。下面分别介绍在 MATLAB 和 Python 中如何实现 K-means 聚类算法。

MATLAB 实现：

MATLAB 中可以使用自带的 kmeans 函数来实现 K-means 聚类算法。函数的调用格式为：

[idx, C] = kmeans(X, K)

其中，X 是一个 n 行 d 列的矩阵，表示 n 个样本数据，每个样本有 d 个特征；K 表示要将数据分成的簇的个数；idx 是一个 n 行 1 列的向量，表示每个样本所属的簇的编号；C 是一个 K 行 d 列的矩阵，表示每个簇的中心点的坐标。

下面是一个 MATLAB 示例代码：

% 生成数据
rng('default');
X = [randn(100,2)*0.75+ones(100,2);
     randn(100,2)*0.5-ones(100,2)];

% 调用 kmeans 函数进行聚类
K = 2;
[idx, C] = kmeans(X, K);

% 可视化结果
figure;
scatter(X(idx==1,1), X(idx==1,2), 'r');
hold on;
scatter(X(idx==2,1), X(idx==2,2), 'b');
scatter(C(:,1), C(:,2), 'k', 'filled');
legend('Cluster 1', 'Cluster 2', 'Centroids');

Python 实现：

Python 中可以使用 scikit-learn 库来实现 K-means 聚类算法。具体可以使用 KMeans 类来实现，代码如下：

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

# 生成数据
np.random.seed(0)
X = np.r_[np.random.randn(100,2)*0.75 + np.ones((100,2)),
          np.random.randn(100,2)*0.5 - np.ones((100,2))]

# 调用 KMeans 类进行聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
labels = kmeans.labels_
centers = kmeans.cluster_centers_

# 可视化结果
plt.scatter(X[labels==0,0], X[labels==0,1], c='r')
plt.scatter(X[labels==1,0], X[labels==1,1], c='b')
plt.scatter(centers[:,0], centers[:,1], marker='x', s=200, linewidths=3, color='k')
plt.legend(['Cluster 1', 'Cluster 2', 'Centroids'])
plt.show()

以上是在 MATLAB 和 Python 中实现 K-means 聚类算法的示例代码，可以根据自己的数据和需求进行调整。