这是我练习的第一个机器学习的算法，写的比较简单，肯定也有一些小错误。也参看了很多其他人的代码。现在贴出来算是我学习的一个历程啦。

  clear all;close all;clc;
data1=normrnd(0,0.25,100,2);  %生成符合
data2=normrnd(1.25,0.5,100,2);
data3=normrnd(-1.25,0.5,100,2);
% 显示数据
plot(data1(:,1),data1(:,2),'b.');
hold on;
plot(data2(:,1),data2(:,2),'r.');
plot(data3(:,1),data3(:,2),'g.');
grid on;
%  三类数据合成一个数据类
data = [data1; data2; data3]; 
N=4;%设置聚类数目
[m,n]=size(data);%取矩阵的大小，m=300，n=2
cen=zeros(N,n);%设置初始聚类中心
dis=zeros(m,N,2);%设置初始存放最小欧式距离的矩阵，第一列存放距离每二列存放分类信息
new_cen=ones(N,n);%更新后的聚类中心
% 选定初始质心
t = 1;
for i=1:N
    cen(i,:)=data( randi(m,1),:);%第一次随机产生聚类中心
end
for num=1:1000%迭代次数 
     for i=1:m %计算每一点的对聚类中心的距离，并选取最小的将其划分为一类
        for j=1:N
            dis(i,j,1)=(data(i,1)-cen(j,1)).^2+(data(i,2)-cen(j,2)).^2;
            %计算数据对某一个聚类中心的距离
        end
        dis(i,:,2)=min(dis(i,:,1)');%将距离矩阵的第二项取成第一项中的最小值
        for j=1:N
            if dis(i,j,1)==dis(i,j,2)
                dis(i,:,2)=j;%将第二项的值设置成分类标号
            end
        end
     end
    s=0;
    for i=1:N  %重新分配新的中心点
        for j=1:m
            if dis(j,1,2)==i  %如果标号一致，就将其分别一类，并加入中心值并计数
                cen(i,:)=cen(i,:)+data(j,:);
                s=s+1;
            end
        end
        new_cen(i,:)=cen(i,:)/(s+1); %更新中心值
        s=0;
    end 
     if norm(new_cen-cen)<0.01 %如果新质心的老质心符合很好，也结束迭代
          break;
     else cen= new_cen;
     end 
end 
% 显示聚类后的结果
figure();
hold on;
for i=1:m
    if dis(i,1, 2) == 1
        plot(data(i, 1), data(i, 2), 'r.', 'MarkerSize', 5); 
        plot(cen(1,1),cen(1,2),'k+');
    elseif dis(i,1, 2) == 2
        plot(data(i, 1),data(i, 2), 'b.', 'MarkerSize', 5);
        plot(cen(2,1),cen(2,2),'k+');
    elseif dis(i,1, 2) == 3
        plot(data(i, 1), data(i, 2), 'g.', 'MarkerSize', 5);
        plot(cen(3,1),cen(3,2),'k+');
    elseif dis(i,1, 2) ==4
        plot(data(i, 1),data(i, 2), 'm.', 'MarkerSize', 5);
        plot(cen(4,1),cen(4,2),'k+');
    else
        plot(data(i, 1),data(i, 2), 'y.', 'MarkerSize', 5);
        plot(cen(5,1),cen(5,2),'k+');
    end
end
grid on;

啦啦啦，加油鸭！