用matlab编写Kmeans算法

下面是用MATLAB编写Kmeans算法的示例代码：

% 生成随机数据
data = rand(100,2);

% 设置聚类数
k = 3;

% 初始化聚类中心
centroids = data(randperm(length(data),k),:);

% 迭代次数
max_iters = 100;

for i=1:max_iters
    % 距离矩阵
    distances = pdist2(data, centroids);
    
    % 找出每个数据点属于哪个聚类
    [~, cluster_idx] = min(distances, [], 2);
    
    % 更新聚类中心
    for j=1:k
        centroids(j,:) = mean(data(cluster_idx==j,:), 1);
    end
end

% 可视化聚类结果
scatter(data(:,1), data(:,2), 10, cluster_idx);

其中，`data`是待聚类的数据，`k`是聚类数，`centroids`是初始聚类中心，`max_iters`是最大迭代次数。在每次迭代中，首先计算距离矩阵，然后根据距离矩阵找出每个数据点属于哪个聚类，最后更新聚类中心。最后，用`scatter`函数可视化聚类结果。

相关问题

用matlab编写kmeans_obj_func函数来计算K-means算法的目标函数。

好的，关于用Matlab编写kmeans_obj_func函数来计算K-means算法的目标函数，请看下面的代码示例：

function J = kmeans_obj_func(X, C, idx, K)
% X: n x p 矩阵，表示 n 个 p 维数据点
% C: K x p 矩阵，表示 K 个 p 维质心
% idx: n x 1 向量，表示每个数据点所属的簇
% K: 簇的数量
n = size(X,1);
J = 0;
for k = 1:K
idx_k = find(idx == k);
X_k = X(idx_k,:);
C_k = C(k,:);
J = J + sum(sum((X_k - repmat(C_k,size(X_k,1),1)).^2));
end
J = J / n;

其中，输入参数 X、C、idx、K 分别代表数据点矩阵、质心矩阵、数据点所属簇的向量和簇的数量。输出参数 J 代表目标函数的值。这个函数的实现思路是，对每一个簇，计算该簇内数据点与质心的距离平方和，最终除以数据点总数就是目标函数值。希望能够帮到你。

请帮我用matlab编写一段kmeans算法中计算MSE结果的迭代函数

以下是一个简单的MATLAB代码，用于计算K均值聚类的MSE：

function [centroid, cluster] = kmeans(data, k)
% initializations
num_points = size(data,1);
dim = size(data,2);
cluster = zeros(num_points,1);
centroid = data(randperm(num_points,k),:);
old_centroid = zeros(size(centroid));

while sum(sum(abs(centroid - old_centroid))) > 0
old_centroid = centroid;
% assign each point to the nearest centroid
for i = 1:num_points
min_dist = inf;
for j = 1:k
dist = norm(data(i,:) - centroid(j,:));
if dist < min_dist
cluster(i) = j;
min_dist = dist;
end
end
end
% recompute centroids
for j = 1:k
centroid(j,:) = mean(data(cluster==j,:),1);
end
end

% compute MSE
mse = 0;
for i = 1:num_points
mse = mse + norm(data(i,:) - centroid(cluster(i),:))^2;
end
mse = mse/num_points;

end

您可以将数据和k作为输入参数传递给此函数。它将返回聚类中心和每个数据点所属的簇。此外，它还将计算并返回MSE值。