用python完成机器学习实验鸢尾花数据集的 k 均值聚类的实验过程记录与结果分析

好的，下面是机器学习实验鸢尾花数据集的 k 均值聚类的实验过程记录与结果分析的步骤：

1. 首先，我们需要导入相关的Python库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris

2. 加载数据集并将其存储在变量中：

# 加载鸢尾花数据集
iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)

3. 探索数据集：

# 查看数据集前5行
X.head()

我们可以看到数据集由4个特征组成：sepal length, sepal width, petal length, petal width。

4. 数据可视化：

# 选择两个特征进行可视化
plt.scatter(X['petal length (cm)'], X['petal width (cm)'])
plt.xlabel('petal length')
plt.ylabel('petal width')
plt.show()

我们可以看到数据集中存在3个不同的聚类。

5. k-means聚类：

# 设置k值为3
kmeans = KMeans(n_clusters=3)

# 对数据进行聚类
kmeans.fit(X)

# 获取聚类结果标签
labels = kmeans.labels_

# 输出聚类结果
print(labels)

我们可以看到输出的聚类结果是一个包含150个元素的数组，每个元素代表一个样本的聚类标签。

6. 可视化聚类结果：

# 可视化聚类结果
plt.scatter(X['petal length (cm)'], X['petal width (cm)'], c=labels, cmap='viridis')
plt.xlabel('petal length')
plt.ylabel('petal width')
plt.show()

我们可以看到聚类结果与数据集中的真实类别相似。

7. 结果分析：

通过对数据集进行k-means聚类，我们得到了3个聚类。我们可以看到聚类结果与数据集中的真实类别相似，这表明k-means聚类算法对于这个数据集是有效的。同时，我们还可以通过调整k值来改进聚类结果。