K聚类算法的应用很广泛，这里给出一种简单的示范，相比网上的例子，本例中分类点和中心点的个数都可以自定义，但是很多数组也就需要动态定义，导致程序效率较低，欢迎有更好的解法的大神提出改正！
分类前后示意图：
% K-Means聚类算法
clc
clear all
close all
m=200;% 产生m个样本点
k=3;% 选择K个中心点
eps=1e-7; % 迭代结束的阈值
X=100*rand(1,m);% 样本点X坐标
Y=100*rand(1,m);% 样本点Y坐标
% 显示聚类前二维点
figure,subplot(1,2,1),plot(X,Y,'ro'),title('聚类前二维点');xlabel('X轴');ylabel('Y轴');
% type_num存放k类样本点
for i=1:k
eval(['type_',num2str(i),'=[];']);
end
% 颜色列表，由于颜色只有六种，k最好不大于6
color_list={'m','g','b','y','r','k'};
% 存放初始中心点
cp=zeros(k,2);
for i=1:k
cp(i,:)=[X(i) Y(i)];
end
% 存放第i个点到第j个点的距离
len=zeros(m,3);
% 计算样本点到k个中心点的距离
% 若某个样本i到某个中心点j的距离最小，则把样本点归到j类
% m类分完后，计算每一类均值向量作为新的聚类中心
% 若新的聚类中心与原来的聚类中心之差小于设定的阈值
% 结束迭代
times=0;% 记录迭代次数
error=zeros(1,k);
while(1)
for i=1:m
for j=1:k
len(i,j)=sqrt((cp(j,1)-X(i))^2+(cp(j,2)-Y(i))^2);
end
% 离第num类中心点距离最小，就把它放到type_num中
flag=find(len(i,:)==min(len(i,:)));
eval(['type_',num2str(flag),'(size((type_',num2str(flag),'),1)+1,:)=[X(i) Y(i)];']);
end
times=times+1;% 迭代次数加1
% 存放新的中心点
for i=1:k
cp(i+times*k,:)=eval(['[mean(type_',num2str(i),'(:,1)) mean(type_',num2str(i),'(:,2))]']);
tmp=cp(i+(times-1)*k,:)-cp(i+times*k,:);
error(i)=sum(tmp.^2);
end
if max(error)<eps
break
end
end
% 显示聚类后结果
cpx=cp(1+(times-1)*k:k+(times-1)*k,1);
cpy=cp(1+(times-1)*k:k+(times-1)*k,2);
subplot(1,2,2)
for i=1:k
eval(['plot(type_',num2str(i),'(:,1),','type_',num2str(i),'(:,2),[color_list{ceil(6*rand)},''o''])']);
text(cpx(i),cpy(i),['第',num2str(i),'类中心点'])
hold on;
end
plot(cpx,cpy,'r*');
title(['聚类后二维点(迭代',num2str(times),'次)']);xlabel('X轴');ylabel('Y轴');
