用matlab编写一个关于包含二维数据的kmeans聚类算法的代码

以下是一个简单的 MATLAB 代码，实现了包含二维数据的 k-means 聚类算法：

%% 生成数据
rng(1); % 设置随机数种子，以便结果可重复
data = [randn(100,2)+ones(100,2); randn(100,2)-ones(100,2)];

%% 设置 k 和初始聚类中心
k = 2; % 聚类数
initial_centroids = [-2 -2; 2 2];

%% 运行 k-means 算法
max_iters = 10; % 最大迭代次数
[centroids, idx] = run_kmeans(data, initial_centroids, max_iters);

%% 画出聚类结果
plot_clusters(data, idx, centroids);

%% k-means 算法的实现
function [centroids, idx] = run_kmeans(X, initial_centroids, max_iters)
    % 初始化
    centroids = initial_centroids;
    K = size(centroids, 1);
    idx = zeros(size(X,1), 1);
    
    % 迭代
    for i=1:max_iters
        % 计算每个样本点到聚类中心的距离
        dists = pdist2(X, centroids);
        % 找到每个样本点距离最近的聚类中心
        [~, idx] = min(dists, [], 2);
        % 更新聚类中心
        for j=1:K
            centroids(j,:) = mean(X(idx == j,:), 1);
        end
    end
end

%% 画出聚类结果的函数
function plot_clusters(X, idx, centroids)
    K = size(centroids, 1);
    colors = hsv(K);
    for i=1:K
        cluster_points = X(idx == i,:);
        scatter(cluster_points(:,1), cluster_points(:,2), [], colors(i,:), 'o');
        hold on;
    end
    % 画出聚类中心
    scatter(centroids(:,1), centroids(:,2), [], colors, 'x');
    hold off;
    title('K-means Clustering');
end

这个代码中，我们首先生成了一些二维数据。然后，我们设置了聚类数 k 和初始聚类中心。接着，我们调用了自定义的 `run_kmeans` 函数，对数据进行 k-means 聚类。最后，我们调用了另一个自定义函数 `plot_clusters`，画出聚类结果。

在 `run_kmeans` 函数中，我们首先初始化了聚类中心和样本点的类别。然后，我们开始迭代 k-means 算法。在每一次迭代中，我们计算每个样本点到聚类中心的距离，并找到每个样本点距离最近的聚类中心。然后，我们更新聚类中心，以便它们成为每个类别中所有样本点的平均值。在最后一次迭代后，我们返回最终的聚类中心和样本点的类别。

在 `plot_clusters` 函数中，我们使用不同的颜色来表示不同的聚类，使用圆圈表示每个样本点，使用叉号表示每个聚类中心。