k-means聚类算法matlab代码

以下是K-means聚类算法的Matlab代码示例：

%数据集
data = [2.0, 3.0; 2.1, 2.9; 1.6, 2.8; 1.9, 3.2; 1.5, 3.0; 3.0, 1.0; 3.2, 0.8; 3.5, 1.0; 3.1, 1.5; 3.3, 1.8];

%设置聚类数目
k = 2;

%随机初始化聚类中心
center = datasample(data, k, 'Replace', false);

%重复迭代过程，直到聚类中心不再变化
while true
    %分配数据点到最近的聚类中心
    dist = pdist2(data, center);
    [~, idx] = min(dist, [], 2);
    
    %重新计算聚类中心
    new_center = zeros(k, size(data, 2));
    for i = 1:k
        new_center(i, :) = mean(data(idx == i, :), 1);
    end
    
    %如果聚类中心不再变化，则结束迭代
    if isequal(center, new_center)
        break;
    end
    
    %更新聚类中心
    center = new_center;
end

%显示聚类结果
figure;
gscatter(data(:, 1), data(:, 2), idx);
hold on;
plot(center(:, 1), center(:, 2), 'k*', 'MarkerSize', 10);
title('K-means Clustering');
xlabel('Feature 1');
ylabel('Feature 2');

在代码中，首先定义了数据集和聚类数目。然后，使用`datasample`函数随机初始化聚类中心。接着，使用循环迭代的方式，将数据点分配到最近的聚类中心，并重新计算聚类中心。如果聚类中心不再变化，则结束迭代。最后，使用`gscatter`函数显示聚类结果。

需要注意的是，K-means聚类算法对初始聚类中心的选择非常敏感。为了避免局部最优解，可以多次运行算法并选择最优的聚类结果。