请给我一个看means聚类方法matlab代码

以下是一个简单的 MATLAB 代码实现 K-Means 聚类方法：

% 生成数据
data = rand(100, 2);

% 设定初始质心
k = 5;
centroids = datasample(data, k, 'Replace', false);

% 迭代聚类
max_iter = 100;
for iter = 1:max_iter
    % 计算距离
    distances = pdist2(data, centroids);
    
    % 分配数据点到最近的质心
    [~, cluster_idx] = min(distances, [], 2);
    
    % 更新质心
    for i = 1:k
        centroids(i, :) = mean(data(cluster_idx == i, :));
    end
end

% 可视化聚类结果
figure;
scatter(data(:,1), data(:,2), 10, cluster_idx, 'filled');
hold on;
scatter(centroids(:,1), centroids(:,2), 100, 'k', 'filled');

这段代码生成了 100 个随机数据点，然后使用 K-Means 聚类方法将它们分成 5 类，并可视化聚类结果。该代码可以根据实际需求进行修改。

相关问题

k-means聚类分析matlab代码

当然可以！以下是一个简单的 k-means 聚类分析的 Matlab 代码示例：

% 生成随机数据
data = randn(100, 2);

% 初始化聚类中心
k = 3; % 聚类的数量
centroids = data(randperm(size(data, 1), k), :);

% 迭代更新聚类中心
maxIter = 100; % 最大迭代次数
for iter = 1:maxIter
    % 计算每个样本点到聚类中心的距离
    distances = pdist2(data, centroids);
    
    % 分配每个样本点到最近的聚类中心
    [~, labels] = min(distances, [], 2);
    
    % 更新聚类中心为每个簇的平均值
    for i = 1:k
        centroids(i, :) = mean(data(labels == i, :));
    end
end

% 绘制聚类结果
figure;
gscatter(data(:, 1), data(:, 2), labels);
hold on;
plot(centroids(:, 1), centroids(:, 2), 'kx', 'MarkerSize', 10, 'LineWidth', 2);
title('k-means聚类结果');

这段代码将生成一个包含两个维度的随机数据集，并使用 k-means 算法将其分为 k 个簇。最后，它会绘制出聚类结果。你可以根据需要调整数据集和聚类数量。希望对你有所帮助！

K-means聚类算法MATLAB代码

以下是K-means聚类算法的MATLAB代码示例：

% 设置随机数种子
rng(1);

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

% 设置聚类数
k = 2;

% 初始化聚类中心点
initial_centroids = kMeansInitCentroids(data, k);

% 运行K-means聚类算法
[centroids, idx] = runkMeans(data, initial_centroids, 10);

% 可视化聚类结果
plotDataPoints(data, idx, k);

其中，`kMeansInitCentroids`函数用于初始化聚类中心点，`runkMeans`函数用于运行K-means聚类算法，`plotDataPoints`函数用于可视化聚类结果。

以下是完整的代码：

% K-means聚类算法MATLAB代码示例

% 清空工作区变量
clear all;
close all;
clc;

% 加载函数文件
addpath('functions');

% 设置随机数种子
rng(1);

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

% 可视化数据
figure;
plot(data(:,1), data(:,2), 'k.');
title('Raw Data');

% 设置聚类数
k = 2;

% 初始化聚类中心点
initial_centroids = kMeansInitCentroids(data, k);

% 运行K-means聚类算法
[centroids, idx] = runkMeans(data, initial_centroids, 10);

% 可视化聚类结果
figure;
plotDataPoints(data, idx, k);
title('Clustered Data');

% 绘制聚类中心点
hold on;
plot(centroids(:,1), centroids(:,2), 'rx', 'MarkerSize', 10, 'LineWidth', 3);
hold off;

其中，`functions`文件夹中包含了`kMeansInitCentroids`、`runkMeans`和`plotDataPoints`三个函数的实现。