k-means聚类算法迭代 matlab

以下是用 MATLAB 实现 k-means 聚类算法迭代的示例代码：

% 设定数据集和聚类数
data = [1 1; 1.5 2; 3 4; 5 7; 3.5 5; 4.5 5; 3.5 4.5];
k = 2;

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

% 迭代聚类过程
iter_count = 0;
while true
    % 计算每个点到每个聚类中心的距离
    distances = pdist2(data, centroids);
    
    % 分配每个点到最近的聚类中心，并计算新的聚类中心
    [min_distances, cluster_indices] = min(distances, [], 2);
    new_centroids = zeros(k, size(data, 2));
    for i = 1:k
        new_centroids(i, :) = mean(data(cluster_indices == i, :), 1);
    end
    
    % 判断聚类中心是否变化
    if isequal(centroids, new_centroids)
        break;
    end
    
    % 更新聚类中心并计数
    centroids = new_centroids;
    iter_count = iter_count + 1;
end

% 输出聚类结果和迭代次数
fprintf('聚类结果：\n');
disp(cluster_indices);
fprintf('迭代次数：%d\n', iter_count);

该代码中，首先设定了数据集 `data` 和聚类数 `k`，然后随机初始化了 `k` 个聚类中心。接着进入迭代聚类过程，该过程包含两个步骤：

1. 计算每个点到每个聚类中心的距离。
2. 分配每个点到最近的聚类中心，并计算新的聚类中心。

迭代过程会一直进行，直到聚类中心不再变化为止。最后输出聚类结果和迭代次数。

需要注意的是，该示例代码只适用于二维数据集，如果数据集的维度更高，需要对代码进行相应的修改。另外，在实际应用中，需要根据具体情况选择合适的聚类数和初始聚类中心，否则可能会影响聚类效果。