k-means坐标聚类算法matlab

以下是一个简单的k-means坐标聚类算法的matlab实现：

% 设置k值和迭代次数
k = 3;
max_iter = 10;

% 生成随机数据点
data = randn(100,2);

% 初始化聚类中心
centers = data(randperm(size(data,1),k),:);

% 迭代聚类
for iter=1:max_iter
    % 计算每个样本点到每个聚类中心的距离
    distances = pdist2(data,centers);

    % 寻找每个样本点离哪个聚类中心最近
    [~,labels] = min(distances,[],2);

    % 更新聚类中心
    for i=1:k
        centers(i,:) = mean(data(labels==i,:),1);
    end
end

% 绘制聚类结果
scatter(data(:,1),data(:,2),[],labels)
hold on
scatter(centers(:,1),centers(:,2),100,'k','filled')

该代码生成100个随机数据点，然后使用k-means算法将它们分为3个聚类。在每次迭代中，它计算每个点到每个聚类中心的距离，并将每个点分配到离它最近的聚类中心。然后，它更新聚类中心以反映分配给它们的所有点的平均位置。最后，它绘制聚类结果。