k均值聚类代码matlab

以下是一个简单的k均值聚类的MATLAB代码示例：

% 准备数据
data = [1 1; 1 2; 2 1; 4 4; 4 5; 5 4];

% 设置聚类数量
k = 2;

% 初始化聚类中心
centroids = data(randperm(size(data,1), k), :);

% 迭代更新聚类
maxIterations = 10;
for iter = 1:maxIterations
    % 计算每个样本与聚类中心的距离，并选择最近的聚类中心
    distances = pdist2(data, centroids);
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心为各聚类的均值
    for i = 1:k
        centroids(i, :) = mean(data(labels == i, :));
    end
end

% 打印最终的聚类结果
disp(labels);

这是一个简单的k均值聚类实现。首先，输入数据存储在`data`变量中。然后，我们选择要聚类的数量`k`。接下来，我们随机初始化`k`个聚类中心。然后，我们迭代地进行以下步骤：计算每个样本与聚类中心的距离，并选择最近的聚类中心；更新聚类中心为各聚类的均值。最后，输出每个样本的聚类标签。

请注意，该代码示例仅为了说明目的，并不包含完整的错误处理和优化措施。在实际使用中，建议进行更全面的错误处理和性能优化。

相关问题

k均值聚类算法matlab

k均值聚类算法是一种常见的聚类算法，可以使用Matlab进行实现。以下是一份简单的Matlab代码实现k均值聚类算法：

% 输入数据
data = [1, 1; 1.5, 2; 3, 4; 5, 7; 3.5, 5; 4.5, 5; 3.5, 4.5];
K = 2; % 聚类数
[m, n] = size(data); % 数据维度和数据点个数

% 初始化聚类中心
center = zeros(K, n);
index = randperm(m, K);
for i = 1:K
    center(i, :) = data(index(i), :);
end

% 迭代求解聚类中心
max_iter = 100; % 最大迭代次数
iter = 0;
while iter < max_iter
    iter = iter + 1;

    % 分配样本到聚类中心
    cluster = cell(K, 1);
    for i = 1:m
        dist = zeros(K, 1);
        for j = 1:K
            dist(j) = norm(data(i, :) - center(j, :));
        end
        [~, idx] = min(dist);
        cluster{idx} = [cluster{idx}; data(i, :)];
    end

    % 更新聚类中心
    for i = 1:K
        center(i, :) = mean(cluster{i}, 1);
    end
end

% 可视化结果
figure;
hold on;
colors = ['r', 'g', 'b', 'c', 'm', 'y', 'k'];
for i = 1:K
    scatter(cluster{i}(:, 1), cluster{i}(:, 2), 36, colors(i), 'filled');
end
scatter(center(:, 1), center(:, 2), 100, 'k', 'filled', 'd');
title('k-means clustering');

代码中的输入数据是一个二维数组，每一行代表一个数据点，K表示聚类数。该代码使用随机选择的方式初始化聚类中心，然后通过迭代不断更新聚类中心和分配样本到聚类中心，最终得到聚类结果并可视化。

k均值聚类算法 matlab

k均值聚类算法是一种常见的无监督学习算法，可以用于将一组数据分成k个不同的簇。在Matlab中，可以使用自带的kmeans函数实现该算法。下面是一个简单的Matlab代码示例：

% 生成一组随机数据
data = rand(100,2);

% 将数据分成3个簇
k = 3;

% 使用kmeans函数进行聚类
[idx, C] = kmeans(data, k);

% 可视化聚类结果
scatter(data(:,1), data(:,2), 10, idx, 'filled');
hold on;
scatter(C(:,1), C(:,2), 50, 'k', 'filled');

在上述示例中，我们首先生成了一组随机数据，然后使用kmeans函数将数据分成了3个簇。最后，我们将聚类结果可视化出来，其中不同的颜色表示不同的簇，黑色的点表示每个簇的中心点。