原理：
（1） 从 n个样本随机选择作为初始NumCluster个聚类中心；
（2） 计算每个样本与聚类中心的距离，根据最小距离划分到相应类中；
（3） 重新计算每个聚类的中心，即所有类内样本求平均值；
（4） 循环（2）到（3）直到每个聚类不再发生变化为止。
K-means算法的matlab代码，输入样本和聚类个数，返回所有类内距离和之和和收敛迭代次数，画图部分，用了基本的7种颜色，故8类以上无法画图会有提示，并且4维以上无法画图。
主要函数解析
%% ———————–K-means聚类函数———————————
% 入参：
% NumCluster 聚类个数
% x 样本
% 出参：
% f 所有类内距离和之和
% g 收敛迭代次数
%% ———————————————————————–
function [f,g]=K_means(NumCluster,x)
g=1;
[N,L]=size(x);
%% 从样本中随机获取值初始化Numcluster个类的质点
r=randperm(N);
for t=1:NumCluster
Center(t,1:L)=x(r(t),1:L)
end
ert=10;
while (ert~=0)
M_Center=Center;
%% 步骤1：将所有样本划分到对应类
for j=1:N
%% 计算样本到各质点距离
for t=1:NumCluster
Dist(t,1)=Dis(x(j,1:L),Center(t,1:L));
end
%% 将距离最近的质点划分到对应类
Min_dis=min(Dist);
[m,l]=find(Min_dis==Dist);
for t=1:NumCluster
if m==t
x(j,L+1)=t;
end
end
end
%% 步骤2：质点迭代，将所有类的质点求取平均值替换原有质点
for t=1:NumCluster
[m,l]=find(x(:,L+1)==t);
Center(t,:)=mean(x(m,1:L),1);
end
%% 计量迭代次数
g=g+1;
%% 计算相邻打迭代的质点变化量，若无变化，则迭代结束
ert=abs(Center(:,1:L)-M_Center(:,1:L));
end
%% 计算所有类内间距和
sm=zeros(NumCluster,1);
for t=1:NumCluster
[m,l]=find(x(:,3)==t);
Len=size(m,1);
for i=1:Len
sm(t,1)=sm(t,1)+ sqrt( sum( ( x(i,1:L)-Center(t,1:L) ).^2,2) );
end
end
f=sum(sm,1);
%% 画图
fprintf(‘画图\n’);
color1={‘rs’,’bs’,’ms’,’ks’,’gs’,’cs’,’ys’};
color2={‘r*’,’b*’,’m*’,’k*’,’g*’,’c*’,’y*’};
%% 最多提供7个类别，3个维度的画图
if NumCluster<8 && L<4
%% 2维情况
if L==2
plot(x(:,1),x(:,2),’o’);
for t=1:NumCluster
hold on
plot(Center(t,1),Center(t,2),color1{t})
[m,l]=find(x(:,3)==t);
hold on
plot(x(m,1),x(m,2),color2{t});
end
end
%% 3维情况
if L==3
plot3(x(:,1),x(:,2),x(:,3),’o’);
for t=1:NumCluster
hold on
plot3(Center(t,1),Center(t,2),Center(t,3),color1{t})
[m,l]=find(x(:,4)==t);
hold on
plot3(x(m,1),x(m,2),x(m,3),color2{t});
end
end
else
fprintf(‘error\n’);
end
end
下载地址：http://download.csdn.net/detail/aircherfjt/5425275
另一个k-means domo地址：http://home.deib.polimi.it/matteucc/Clustering/tutorial_html/AppletKM.html
样本2维
聚成2类
聚成4类
聚成7类
样本3维
聚成3类
