转自https://blog.csdn.net/a493823882/article/details/79282425

使用方法：
      Idx=kmeans(X,K)
      [Idx,C]=kmeans(X,K) 
      [Idx,C,sumD]=kmeans(X,K) 
      [Idx,C,sumD,D]=kmeans(X,K) 
      […]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…)
各输入输出参数介绍：
       X :N*P的数据矩阵
       K: 表示将X划分为几类，为整数
       Idx :N*1的向量，存储的是每个点的聚类标号
       C: K*P的矩阵，存储的是K个聚类质心位置
      sumD :1*K的和向量，存储的是类间所有点与该类质心点距离之和
      D :N*K的矩阵，存储的是每个点与所有质心的距离
      […]=Kmeans(…,'Param1',Val1,'Param2',Val2,…)
      这其中的参数Param1、Param2等，主要可以设置为如下：
      1. ‘Distance’(距离测度)
        ‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
        ‘cityblock’ 绝度误差和，又称：L1
        ‘cosine’ 针对向量
        ‘correlation’  针对有时序关系的值
        ‘Hamming’ 只针对二进制数据
      2. ‘Start’（初始质心位置选择方法）
        ‘sample’ 从X中随机选取K个质心点
        ‘uniform’ 根据X的分布范围均匀的随机生成K个质心
        ‘cluster’ 初始聚类阶段随机选择10%的X的子样本（此方法初始使用’sample’方法）
         matrix 提供一K*P的矩阵，作为初始质心位置集合
      3. ‘Replicates’（聚类重复次数）  整数