聚类算法matlab代码

matlab
% 生成一些随机数据
data = [randn(100,2)*0.75+ones(100,2);...
        randn(100,2)*0.5-ones(100,2)];

% 设置聚类数
k = 2;

% 随机初始化聚类中心
initial_centroids = datasample(data, k, 'Replace', false);

% 迭代次数
max_iters = 10;

% 初始化变量
centroids = initial_centroids;
previous_centroids = centroids;
idx = zeros(size(data,1), 1);

% 运行 k-means 算法
for i=1:max_iters
    % 分配数据到最近的聚类中心
    idx = dsearchn(centroids, data);
    
    % 更新聚类中心
    for j=1:k
        centroids(j,:) = mean(data(idx==j,:));
    end
    
    % 如果聚类中心没有变化则停止迭代
    if isequal(previous_centroids, centroids)
        break;
    end
    previous_centroids = centroids;
end

% 绘制结果
figure;
scatter(data(:,1), data(:,2), 10, idx, 'filled');
hold on;
scatter(centroids(:,1), centroids(:,2), 100, [1 0 0; 0 1 0], 'filled', 'MarkerEdgeColor', 'k', 'LineWidth', 2);
title('K-Means 聚类结果');
legend('数据点', '聚类中心');
hold off;

这段代码首先生成一些随机数据，然后通过 k-means 算法对数据进行聚类。在这个例子中，我们假设数据具有两个聚类。您可以根据需要调整数据生成方式，以及聚类数和迭代次数。

这个示例使用了 MATLAB 中的一些内置函数和工具：

randn: 生成服从标准正态分布的随机数。datasample: 从数据中随机抽样。dsearchn: 在给定的一组点中查找最近邻点。scatter: 绘制散点图。

这个代码的主要步骤包括：

生成随机数据。设置聚类数和迭代次数。随机初始化聚类中心。执行 k-means 算法迭代过程，分配数据到最近的聚类中心并更新聚类中心。如果聚类中心没有变化则停止迭代。绘制聚类结果。