Matlab实现K-means算法

K-means是一种常见的无监督学习方法，用于将数据聚类。其基本思想是将数据划分为K个类别，使得同一类别中的数据尽可能相似，不同类别中的数据尽可能不同。在Matlab中，我们可以使用kmeans函数来方便地实现K-means算法。但是，有时我们可能希望了解其工作原理并自己实现。下面是一个简单的Matlab实现K-means算法的示例代码：

function [idx, C] = my_kmeans(X, K)
% 输入：X - 数据矩阵，每行是一个样本，每列是一个特征
%       K - 类别数量
% 输出：idx - 每个样本所属类别的索引
%        C - 聚类中心
    N = size(X, 1); % 样本数量
    idx = zeros(N, 1); % 初始化类别索引
    C = X(randperm(N, K)); % 随机初始化聚类中心
    while true
        D = zeros(N, K); % 初始化距离矩阵
        for k = 1:K
            D(:, k) = sqrt(sum((X - C(k, :)).^2, 2)); % 计算每个样本到聚类中心的距离
        end
        [~, I] = min(D, [], 2); % 根据距离矩阵找到每个样本所属类别
        for k = 1:K
            C(k, :) = mean(X(I==k, :), 1); % 更新聚类中心为该类别所有样本的均值
        end
        if isequal(idx, I) % 如果类别索引没有变化，说明已经收敛
            break;
        else
            idx = I;
        end
    end
end

以上代码是一个基本的K-means实现，没有优化。实际使用中需要注意以下几点：

1. 对于大型数据集，可能需要使用更高效的算法实现或优化方法，例如随机采样、MiniBatch K-means等。
2. 在初始化聚类中心时，可以使用不同的方法，例如K-means++可以获得更好的结果。
3. 在计算距离时，可以使用不同的距离度量方法，例如欧氏距离、余弦相似度等。
4. 在更新聚类中心时，可以使用不同的方法，例如K-means||、Lloyd算法等。
5. 在判断收敛条件时，可以使用不同的方法，例如最大迭代次数、相对变化等。