說明：如果是要用matlab做kmeans聚類分析，直接使用函數kmeans即可。使用方法:kmeans(輸入矩陣，分類個數k)。
轉載一：
MATLAB提供了兩種方法進行聚類分析：
1、利用 clusterdata 函數對數據樣本進行一次聚類，這個方法簡潔方便，其特點是使用範圍較窄，不能由用戶根據自身需要來設定參數，更改距離計算方法；
2、分步聚類：（ 1）用 pdist函數計算變量之間的距離，找到數據集合中兩輛變量之間的相似性和非相似性；（ 2）用 linkage函數定義變量之間的連接；（ 3）用 cophenetic函數評價聚類信息；（ 4）用 cluster函數進行聚類。
下邊詳細介紹兩種方法:
1、一次聚類
Clusterdata函數可以視爲 pdist、 linkage與 cluster的綜合，一般比較簡單。
【 clusterdata函數：
調用格式： T=clusterdata(X,cutoff)
等價於Y=pdist(X,’euclid’); Z=linkage(Y,’single’); T=cluster(Z,cutoff) 】
2、分步聚類
（ 1）求出變量之間的相似性
用 pdist函數計算出相似矩陣，有多種方法可以求距離，若此前數據還未無量綱化，則可用 zscore函數對其標準化
【 pdist函數： 調用格式： Y=pdist(X,’metric’)
說明： X是 M*N矩陣，爲由 M個樣本組成，每個樣本有 N個字段的數據集
metirc取值爲：’ euclidean’：歐氏距離（默認） ‘seuclidean’：標準化歐氏距離; ‘mahalanobis’：馬氏距離 … 】
pdist生成一個 M*(M-1)/2個元素的行向量，分別表示 M個樣本兩兩間的距離。這樣可以縮小保存空間，不過，對於讀者來說卻是不好操作，因此，若想簡單直觀的表示，可以用 squareform函數將其轉化爲方陣，其中 x(i,j)表示第 i個樣本與第 j個樣本之的距離，對角線均爲 0.
（ 2）用 linkage函數來產生聚類樹
【 linkage函數： 調用格式： Z=linkage(Y,’method’)
說明： Y爲 pdist函數返回的 M*(M-1)/2個元素的行向量，
method可取值： ‘single’：最短距離法（默認）； ’complete’：最長距離法；
‘average’：未加權平均距離法； ’weighted’:加權平均法
‘centroid’： 質心距離法； ‘median’：加權質心距離法；
‘ward’：內平方距離法（最小方差算法） 】
返回的 Z爲一個 (M-1)*3的矩陣，其中前兩列爲索引標識，表示哪兩個序號的樣本可以聚爲同一類，第三列爲這兩個樣本之間的距離。另外，除了 M個樣本以外，對於每次新產生的類，依次用 M+1、 M+2、 …來標識。
爲了表示 Z矩陣，我們可以用更直觀的聚類數來展示， 方法爲： dendrogram(Z), 產生的聚類數是一個 n型樹，最下邊表示樣本，然後一級一級往上聚類，最終成爲最頂端的一類。縱軸高度代表距離列。
另外，還可以設置聚類數最下端的樣本數，默認爲 30，可以根據修改 dendrogram(Z,n)參數 n來實現， 1<n<M。 dendrogram(Z,0)則表 n=M的情況，顯示所有葉節點。
（ 3）用 cophenetic函數評價聚類信息
【 cophenet函數: 調用格式： c=cophenetic(Z,Y)
說明：利用 pdist函數生成的 Y和 linkage函數生成的 Z計算 cophenet相關係數。】
cophene檢驗一定算法下產生的二叉聚類樹和實際情況的相符程度 ,就是檢測二叉聚類樹中各元素間的距離和 pdist計算產生的實際的距離之間有多大的相關性，另外也可以用 inconsistent表示量化某個層次的聚類上的節點間的差異性。
（ 4）最後，用 cluster進行聚類，返回聚類列。
轉載二：
Matlab 提供了兩種方法進行聚類分析。
一種是利用 clusterdata 函數對樣本數據進行一次聚類，其缺點爲可供用戶選擇的面較窄，不能更改距離的計算方法；
另一種是分步聚類：（1 ）找到數據集合中變量兩兩之間的相似性和非相似性，用pdist 函數計算變量之間的距離；（2 ）用 linkage 函數定義變量之間的連接；（3 ）用 cophenetic 函數評價聚類信息；（4 ）用cluster 函數創建聚類。
1 ．Matlab 中相關函數介紹
1.1 pdist 函數
調用格式：Y=pdist(X,’metric’)
說明：用 ‘metric’ 指定的方法計算 X 數據矩陣中對象之間的距離。’
X ：一個m ×n 的矩陣，它是由m 個對象組成的數據集，每個對象的大小爲n 。
metric’ 取值如下：
‘euclidean’ ：歐氏距離（默認）；‘seuclidean’ ：標準化歐氏距離；
‘mahalanobis’ ：馬氏距離；‘cityblock’ ：布洛克距離；
‘minkowski’ ：明可夫斯基距離；‘cosine’ ：
‘correlation’ ： ‘hamming’ ：
‘jaccard’ ： ‘chebychev’ ：Chebychev 距離。
1.2 squareform 函數
調用格式：Z=squareform(Y,..)
說明： 強制將距離矩陣從上三角形式轉化爲方陣形式，或從方陣形式轉化爲上三角形式。
1.3 linkage 函數
調用格式：Z=linkage(Y,’method’)
說 明：用‘method ’參數指定的算法計算系統聚類樹。
Y ：pdist 函數返回的距離向量；
method ：可取值如下：
‘single’ ：最短距離法（默認）； ‘complete’ ：最長距離法；
‘average ’：未加權平均距離法； ‘weighted ’： 加權平均法；
‘centroid’ ：質心距離法； ‘median’ ：加權質心距離法；
‘ward’ ：內平方距離法（最小方差算法）
返回：Z 爲一個包含聚類樹信息的（m-1 ）×3 的矩陣。
1.4 dendrogram 函數
調用格式：[H ，T ，…]=dendrogram(Z,p ，…)
說明：生成只有頂部p 個節點的冰柱圖（譜系圖）。
1.5 cophenet 函數
調用格式：c=cophenetic(Z,Y)
說明：利用pdist 函數生成的Y 和linkage 函數生成的Z 計算cophenet 相關係數。
1.6 cluster 函數
調用格式：T=cluster(Z,…)
說明：根據linkage 函數的輸出Z 創建分類。
1.7 clusterdata 函數
調用格式：T=clusterdata(X,…)
說明：根據數據創建分類。
T=clusterdata(X,cutoff) 與下面的一組命令等價：
Y=pdist(X,’euclid’);
Z=linkage(Y,’single’);
T=cluster(Z,cutoff);
2. Matlab 程序
2.1 一次聚類法
X=[11978 12.5 93.5 31908;…;57500 67.6 238.0 15900];
T=clusterdata(X,0.9)
2.2 分步聚類
Step1 尋找變量之間的相似性
用pdist 函數計算相似矩陣，有多種方法可以計算距離，進行計算之前最好先將數據用zscore 函數進行標準化。
X2=zscore(X); % 標準化數據
Y2=pdist(X2); % 計算距離
Step2 定義變量之間的連接
Z2=linkage(Y2);
Step3 評價聚類信息
C2=cophenet(Z2,Y2); //0.94698
Step4 創建聚類，並作出譜系圖
T=cluster(Z2,6);
H=dendrogram(Z2);
分類結果：{ 加拿大} ，{ 中國，美國，澳大利亞} ，{ 日本，印尼} ，{ 巴西} ，{ 前蘇聯}