手动设置kmean聚类的起始点的C++代码

以下是一个示例代码，用于手动设置k-means聚类的起始点：

#include <iostream>
#include <vector>

// 计算两个点之间的欧氏距离
double euclideanDistance(const std::vector<double>& point1, const std::vector<double>& point2) {
    double sum = 0.0;
    for (int i = 0; i < point1.size(); ++i) {
        double diff = point1[i] - point2[i];
        sum += diff * diff;
    }
    return std::sqrt(sum);
}

// 手动设置k-means聚类的起始点
std::vector<std::vector<double>> setInitialCentroids(const std::vector<std::vector<double>>& data, int k) {
    std::vector<std::vector<double>> centroids;
    // 在数据集中选择前k个点作为初始聚类中心
    for (int i = 0; i < k; ++i) {
        centroids.push_back(data[i]);
    }
    return centroids;
}

int main() {
    // 数据集
    std::vector<std::vector<double>> data = {
        {1.0, 2.0},
        {2.0, 1.0},
        {3.0, 2.0},
        {8.0, 9.0},
        {9.0, 10.0},
        {10.0, 8.0}
    };

    // 设置聚类数和初始聚类中心
    int k = 2;
    std::vector<std::vector<double>> centroids = setInitialCentroids(data, k);

    // 打印初始聚类中心
    std::cout << "Initial centroids:" << std::endl;
    for (const auto& centroid : centroids) {
        for (const auto& coordinate : centroid) {
            std::cout << coordinate << " ";
        }
        std::cout << std::endl;
    }

    return 0;
}

这个示例代码演示了如何手动设置k-means聚类的起始点。在setInitialCentroids函数中，我们选择了数据集中的前k个点作为初始聚类中心。然后，在main函数中，我们设置了聚类数k为2，并调用setInitialCentroids函数来获取初始聚类中心。最后，我们打印出初始聚类中心的坐标。

请注意，这只是一个示例代码，实际应用中还需要添加k-means聚类算法的其他部分，例如计算每个点与聚类中心的距离、更新聚类中心等。