K-means自己写的代码，简单易懂，但是貌似效率有点低，没怎么优化

%N是数据一共分多少类%data是输入的不带分类标号的数据%u是每一类的中心%re是返回的带分类标号的数据%我们只需要得到聚类中心即可，所以只返回一个矩阵变量function [u]=k_means(data,N)       [m n]=size(data);   %m是数据个数，n是数据维数    ma=zeros(n);        %每一维最大的数    mi=zeros(n);        %每一维最小的数    u=zeros(N,n);       %随机初始化，最终迭代到每一类的中心位置 N中心个数    index=zeros(m);   %m个数据的类别    for i=1:n       ma(i)=max(data(:,i));    %每一维最大的数       mi(i)=min(data(:,i));    %每一维最小的数       for j=1:N             u(j,i)=ma(i)+(mi(i)-ma(i))*rand();  %随机初始化，不过还是在每一维[min max]中初始化好些       end          end       for iteration =1:5  %我们就迭代5次就够了                %更新index矩阵，也就是标记矩阵        for i=1:m      %更新每个数据点标记            min1=Inf;            for j=1:N                dist=0;%计算欧式距离，此处为简便不加sqrt了                for k=1:n                  dist=dist+(data(i,k)-u(j,k))*(data(i,k)-u(j,k));                end                if(dist<min1)                    min1=dist;                    min_num=j;                end            end            index(i)= min_num;%最后一次更新的min_num        end                %更新聚类中心        for i=1:N    %更新每个聚类中心            index_num=0;            index_sum=zeros(1,n);            for j=1:m                if(i==index(j))  %这个点属于第i个类                    index_num=index_num+1;                    index_sum=index_sum+data(index(j),:);                end            end            if(index_num~=0)                u(i,:)=index_sum/index_num;            end        end    end    end