在进行数据分析时，利用MATLAB实现K-means聚类算法是一种常见的方法。这里我们创建了一个数据集，包含100个点，并将其分为两类，即k=2。首先，我们随机生成了两个集合的数据点，每个集合包含100个点，这些点在二维空间中分布。
通过调用MATLAB的kmeans函数，我们可以实现聚类分析。该函数接受一个数据矩阵作为输入，输出包括每个点的聚类标号、聚类质心位置、类间所有点与质心距离之和以及每个点与所有质心的距离矩阵。这里我们使用了重复运行的功能，以提高聚类结果的稳定性。
在完成聚类后，我们绘制了两类数据点的分布情况。红色点表示聚类为1的数据点，蓝色点表示聚类为2的数据点。此外，我们还标出了两个聚类的中心点，用黑色十字表示，以便观察每个聚类的中心位置。
通过这种方式，我们可以直观地看到数据点是如何被分成两类的，以及每个类别的中心位置。这有助于我们更好地理解数据集的结构和特征，对于后续的数据分析和决策具有重要意义。
聚类结果中，每个点的聚类标号、聚类质心位置和类间所有点与质心距离之和等信息都是通过kmeans函数输出的，可以进一步分析和利用。例如，通过分析聚类质心的位置和距离之和，我们可以了解每个类别的代表性以及类间的差异。
通过上述步骤，我们成功地使用MATLAB实现了K-means聚类算法，并可视化了聚类结果。这种方法不仅适用于处理两类数据，还可以扩展到处理更多类别的数据。在实际应用中，我们还可以根据具体需求调整参数，以获得更佳的聚类效果。
