Matlab实现Kmeans聚类算法

Kmeans聚类算法是一种常用的无监督学习方法，用于将数据集划分为K个聚类。在Matlab中实现Kmeans聚类算法的过程相对简单，下面是一个基本的示例代码。
首先，需要导入数据集。可以使用load函数导入自带的数据集，例如iris数据集。如果使用自己的数据集，可以使用csvread函数读取CSV文件，或者使用readtable函数读取Excel文件。
然后，使用kmeans函数对数据进行聚类。该函数的基本语法如下：

[cluster_idx, cluster_center] = kmeans(data, K)

其中，data是输入的数据集，K是聚类的数量，cluster_idx是每个数据点所属的聚类标签，cluster_center是每个聚类的中心点。
接下来，可以使用scatterplot函数绘制聚类结果。将聚类标签作为输入参数，即可绘制出每个数据点的聚类结果。
最后，可以计算聚类的效果。常用的评价指标包括轮廓系数和DBI指数。可以使用Matlab自带的evalclusters函数计算这些指标。
下面是一个完整的示例代码：
```matlab
% 导入数据集
data = load(‘iris.mat’); % 加载iris数据集
% 划分数据集为训练集和测试集
train_ratio = 0.7; % 训练集占总数据集的比例
train_idx = randperm(size(data,1))(1:floor(train_ratio*size(data,1))); % 随机选取训练集索引
test_idx = setdiff(1:size(data,1), train_idx); % 剩余作为测试集
train_data = data(:,train_idx); % 提取训练集
test_data = data(:,test_idx); % 提取测试集
% 使用kmeans算法对训练数据进行聚类
K = 3; % 聚类的数量
[train_cluster_idx, train_cluster_center] = kmeans(train_data, K); % 对训练数据进行聚类
% 绘制聚类结果散点图
figure;
scatterplot(train_data, train_cluster_idx); % 绘制聚类结果散点图
hold on;
plot(train_cluster_center(:,1), train_cluster_center(:,2), ‘kx’); % 绘制聚类中心点
hold off;
title(‘Kmeans聚类结果散点图’);
xlabel(‘Sepal length’);
ylabel(‘Sepal width’);
legend(‘数据点’, ‘聚类中心点’);
hold off;
% 计算聚类效果评价指标轮廓系数和DBI指数
S = evalclusters(train_data, train_cluster_idx); % 计算轮廓系数和DBI指数
fprintf(‘轮廓系数：%f
‘, S.Silhouette); % 输出轮廓系数结果
fprintf(‘DBI指数：%f
‘, S.DBI); % 输出DBI指数结果