用matlab实现kmeans聚类算法的具体代码

以下是用MATLAB实现kmeans聚类算法的示例代码：

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

% 聚类数目
K = 2;

% 迭代次数
max_iters = 10;

% 初始化聚类中心
initial_centroids = kMeansInitCentroids(X, K);

% 运行k-means算法
[centroids, idx] = runkMeans(X, initial_centroids, max_iters);

% 绘制聚类结果
figure;
plot(X(idx==1,1), X(idx==1,2), 'r.', 'MarkerSize', 12);
hold on;
plot(X(idx==2,1), X(idx==2,2), 'b.', 'MarkerSize', 12);
plot(centroids(:,1), centroids(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3);
legend('Cluster 1', 'Cluster 2', 'Centroids', 'Location', 'northoutside', 'Orientation', 'horizontal');
title(sprintf('K-means clustering (K = %d)', K));
hold off;

其中，`kMeansInitCentroids`和`runkMeans`是自定义函数，用于初始化聚类中心和运行k-means算法。具体实现可参考以下代码：

function centroids = kMeansInitCentroids(X, K)
% 随机选择K个样本作为初始聚类中心
centroids = X(randperm(size(X,1), K), :);
end

function [centroids, idx] = runkMeans(X, initial_centroids, max_iters)
% 初始化一些变量
[m, n] = size(X);
K = size(initial_centroids, 1);
centroids = initial_centroids;
idx = zeros(m, 1);

% 运行k-means算法
for i=1:max_iters
    % 计算每个样本点所属的聚类中心
    for j=1:m
        distances = sum((centroids - X(j,:)).^2, 2);
        [~, idx(j)] = min(distances);
    end
    
    % 重新计算聚类中心
    for k=1:K
        centroids(k,:) = mean(X(idx==k, :));
    end
end
end

注意，以上代码仅供参考，实际应用时需要根据具体数据情况进行调整和优化。