2024年4月26日发(作者：)

K-means算法是一种常用的聚类算法，在数据挖掘和机器学习领域有

着广泛的应用。它的主要思想是将数据分成K个簇，使得同一簇内的

数据相似度较高，不同簇之间的数据相似度较低。

在本文中，我们将介绍K-means算法的原理，并给出其在Matlab中

的实现代码。下面是K-means算法在Matlab中的代码实现：

1. 初始化簇中心

```

function [centroids] = initCentroids(X, K)

随机初始化K个簇中心

[m, n] = size(X);

centroids = X(randperm(m, K), :);

end

```

2. 分配样本到最近的簇

```

function [idx] = findClosestCentroids(X, centroids)

根据当前簇中心，将每个样本分配到最近的簇中

K = size(centroids, 1);

idx = zeros(size(X,1), 1);

m = size(X,1);

for i=1:m

min_dist = inf;

for j=1:K

dist = sum((X(i,:) - centroids(j,:)).^2);

if dist < min_dist

min_dist = dist;

idx(i) = j;

end

end

end

end

```

3. 更新簇中心

```

function [centroids] =puteCentroids(X, idx, K)

对每个簇重新计算簇中心

[m, n] = size(X);

centroids = zeros(K, n);

for i=1:K

centroids(i, :) = mean(X(idx == i, :));

end

end

```

4. K-means算法主函数

```

function [centroids, idx] = runkMeans(X, initial_centroids,

max_iters)

K-means算法的主函数

[m, n] = size(X);

K = size(initial_centroids, 1);

centroids = initial_centroids;

previous_centroids = centroids;

idx = zeros(m, 1);

for i=1:max_iters

计算每个样本到簇中心的最短距离

idx = findClosestCentroids(X, centroids);

更新簇中心

centroids =puteCentroids(X, idx, K);

end

end

```

通过以上代码，我们可以在Matlab中实现K-means算法，并对数据

进行聚类分析。K-means算法是一种简单而有效的聚类算法，在实际

应用中具有很高的实用性和可扩展性。希望本文能对您了解K-means

算法的Matlab实现有所帮助。