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，包括可视化分析部分：

% K-means++ clustering with visualization

% Generate sample data
rng(1);
X = [randn(100,2)*0.75+ones(100,2);...
     randn(100,2)*0.5-ones(100,2)];

% Set number of clusters
K = 2;

% Initialize centroids using K-means++
D = pdist2(X,X,'euclidean');
[~,idx] = max(sum(D,2));
centroids = X(idx,:);
for i = 2:K
    D = pdist2(X,centroids,'euclidean');
    [~,idx] = min(D,[],2);
    d = min(D,[],2).^2;
    probs = d/sum(d);
    cumprobs = cumsum(probs);
    r = rand();
    j = find(cumprobs>=r,1,'first');
    centroids(i,:) = X(j,:);
end

% Perform K-means clustering
max_iters = 10;
for iter = 1:max_iters
    D = pdist2(X,centroids,'euclidean');
    [~,idx] = min(D,[],2);
    for i = 1:K
        centroids(i,:) = mean(X(idx==i,:),1);
    end
end

% Visualize clustering
figure;
gscatter(X(:,1),X(:,2),idx);
hold on;
plot(centroids(:,1),centroids(:,2),'kx','MarkerSize',10,'LineWidth',2);
title(sprintf('K-means++ clustering with K=%d',K));

运行以上代码，即可得到K-means++聚类的可视化结果。

需要注意的是，以上代码中使用了`pdist2`函数计算欧几里得距离，如果您的MATLAB版本较老，可能会没有该函数。此时，您可以使用`pdist`函数代替，例如：

D = pdist(X,'euclidean');
D = squareform(D);

另外，如果您需要使用其他距离度量或聚类方法，也可以在上述代码中进行相应修改。