kmeans聚类算法matlab手写

以下是k-means聚类算法的matlab手写代码。代码中包含了算法的详细注释。

function [cluster_idx, centroids, SSE] = kmeans(X, K, max_iters)
% K-Means聚类算法的手写实现
% 输入参数：X - 数据集，每一行为一个样本
%           K - 类别数
%           max_iters - 最大迭代次数
% 输出参数：cluster_idx - 每个样本所属的类别
%           centroids - 类别中心
%           SSE - 每次迭代后的误差平方和

% 获取数据集样本数和维度
[m, n] = size(X);

% 初始化类别中心
centroids = X(randperm(m, K), :);

% 初始化误差平方和
SSE = zeros(max_iters, 1);

% 迭代K-Means算法
for i = 1:max_iters
    % 计算每个样本所属的类别
    cluster_idx = zeros(m, 1);
    for j = 1:m
        dist = sum((centroids - X(j, :)).^2, 2);
        [~, idx] = min(dist);
        cluster_idx(j) = idx;
    end
    
    % 计算每个类别的中心
    for k = 1:K
        centroids(k, :) = mean(X(cluster_idx == k, :), 1);
    end
    
    % 计算误差平方和
    SSE(i) = 0;
    for j = 1:m
        SSE(i) = SSE(i) + sum((X(j, :) - centroids(cluster_idx(j), :)).^2);
    end
    
    % 判断是否收敛
    if i > 1 && abs(SSE(i) - SSE(i-1)) < 1e-5
        break;
    end
end

end

使用示例：

% 生成随机数据集
X = randn(100, 2);

% 调用kmeans函数进行聚类
K = 3;
max_iters = 100;
[cluster_idx, centroids, SSE] = kmeans(X, K, max_iters);

% 可视化聚类结果
figure;
gscatter(X(:,1), X(:,2), cluster_idx);
hold on;
plot(centroids(:,1), centroids(:,2), 'kx', 'MarkerSize', 10, 'LineWidth', 2);
title('K-Means Clustering');
xlabel('Feature 1');
ylabel('Feature 2');