本项目探讨了k-means聚类算法在数据挖掘中的应用，并提供了基于MATLAB的实现代码。通过实践分析，深入理解该算法的工作原理及其优化方法。
k-means聚类算法及MATLAB代码数据挖掘实验一：相似度、距离与最近邻分类器
1. 实验目的：
（1）理解并掌握相似度与距离的衡量方法。
（2）了解最近邻分类器的工作机制。
2. 实验内容：
（1）编写一个函数，用于计算两个相同维度向量之间的欧氏距离。代码如下所示：
```matlab
function dist = dist_E(x, y)
% 输入参数：x 和 y 是具有相同维数的向量。
% 输出参数：dist 为 x 和 y 的欧氏距离值。
```
（2）编写一个函数，用于计算两个相同维度向量之间的夹角余弦相似度。代码如下所示：
```matlab
function sim = sim_COS(X, Y)
% 输入参数：X 和 Y 是具有相同维数的向量。
% 输出参数：sim 为 X 和 Y 的夹角余弦值。
```
（3）实现K最近邻算法(K-Nearest Neighbors，简称 KNN)。该方法的基本思想是通过比较测试样本与训练集中所有点的距离来确定其类别标签。具体步骤如下：
输入参数包括k值、trainingSamples (一个M x N的矩阵, 其中 M 表示数据集中的样本数量而N表示每个样本的特征维度）、trainingLabels（对应于每一个训练样本类别的整数向量）和testingSample(待预测的一个1xN维测试向量)。
输出参数为class，即该测试样例所属类别标签。
算法流程如下：
- 获取训练数据集 trainingSamples 的大小 M 和 N；
- 初始化一个长度为M的数组 Distance 用于存储每个样本与测试样本之间的距离值；
- 遍历每一个训练样本trainingSamples(i,:)（其中i从1到M），计算其与测试样例的距离。
5星
