K_means.zip_K._k-means_k-means聚类算法

function [Idx, Center] = K_means(X, xstart) % K-means聚类 % Idx是数据点属于哪个类的标记，Center是每个类的中心位置 % X是全部二维数据点，xstart是类的初始中心位置 len = length(X); %X中的数据点个数 Idx = zeros(len, 1); %每个数据点的Id，即属于哪个类 C1 = xstart(1,:); %第1类的中心位置 C2 = xstart(2,:); %第2类的中心位置 C3 = xstart(3,:); %第3类的中心位置 for i_for = 1:100 %为避免循环运行时间过长，通常设置一个循环次数 %或相邻两次聚类中心位置调整幅度小于某阈值则停止 %更新数据点属于哪个类 for i = 1:len x_temp = X(i,:); %提取出单个数据点 d1 = norm(x_temp - C1); %与第1个类的距离 d2 = norm(x_temp - C2); %与第2个类的距离 d3 = norm(x_temp - C3); %与第3个类的距离 d = [d1;d2;d3]; [~, id] = min(d); %离哪个类最近则属于那个类 Idx(i) = id; end %更新类的中心位置 L1 = X(Idx == 1,:); %属于第1类的数据点 L2 = X(Idx == 2,:); %属于第2类的数据点 L3 = X(Idx == 3,:); %属于第3类的数据点 C1 = mean(L1); %更新第1类的中心位置 C2 = mean(L2); %更新第2类的中心位置 C3 = mean(L3); %更新第3类的中心位置 end Center = [C1; C2; C3]; %类的中心位置