利用k均值算法分类数据样本matlab代码

以下是利用k均值算法分类数据样本的一个简单的MATLAB代码示例：

% 首先，我们生成一些随机的样本数据
data = [randn(100,2)*0.75+ones(100,2);
        randn(100,2)*0.5-ones(100,2)];

% 然后，我们初始化k均值算法的参数
k = 2; % 聚类数
max_iter = 100; % 最大迭代次数

% 随机选择k个样本作为聚类中心
centroids = data(randperm(length(data),k),:);

% 开始迭代
for i = 1:max_iter
    % 计算每个样本点与各个聚类中心的距离
    distances = pdist2(data, centroids);

    % 找到每个样本点距离最近的聚类中心，并分配到对应的簇
    [~,labels] = min(distances,[],2);

    % 对每个簇重新计算聚类中心
    for j = 1:k
        centroids(j,:) = mean(data(labels == j,:));
    end
end

% 可视化聚类结果
figure;
scatter(data(labels == 1,1), data(labels == 1,2), 'r');
hold on;
scatter(data(labels == 2,1), data(labels == 2,2), 'b');
scatter(centroids(:,1), centroids(:,2), 50, 'k', 'filled');
legend('Cluster 1', 'Cluster 2', 'Centroids');

在这个示例中，我们首先生成了一些随机的二维数据样本，然后使用k均值算法将这些样本分为两个簇。在迭代过程中，我们计算每个样本点与各个聚类中心的距离，找到每个样本点距离最近的聚类中心，并分配到对应的簇。然后，对每个簇重新计算聚类中心。最终，我们可视化了聚类结果，并用黑色实心圆表示聚类中心。