K-means聚类算法 sklearn 实现训练数据集：ex7data2.mat 文件包含一张表 X ，下面是部分数据： 1.84207953112616 4.60757160448228 5.65858312061882 4.79996405444154 6.35257892020234 3.29085449875427 2.90401652528136 4.61220411281507 3.23197915720744 4.93989405282630 函数调用时的参数需要与测试文件中预处

以下是使用sklearn实现K-means聚类算法的代码：

import scipy.io
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

# 加载数据
data = scipy.io.loadmat('ex7data2.mat')
X = data['X']

# 设置K值和最大迭代次数
K = 3
max_iters = 10

# 创建KMeans模型并训练
kmeans = KMeans(n_clusters=K, max_iter=max_iters)
kmeans.fit(X)

# 获取聚类结果
centroids = kmeans.cluster_centers_
idx = kmeans.labels_

# 绘制聚类结果
colors = ['r', 'g', 'b']
for i in range(K):
    plt.scatter(X[idx==i, 0], X[idx==i, 1], c=colors[i], label='Cluster {}'.format(i+1))
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', s=200, linewidths=3, color='k', label='Centroids')
plt.legend()
plt.show()

首先，我们加载数据，并设置K值和最大迭代次数。然后，我们创建KMeans模型并训练数据。在训练结束后，我们可以获取聚类结果，包括聚类中心和数据点的分配情况。最后，我们使用matplotlib绘制聚类结果。

需要注意的是，函数调用时的参数需要与测试文件中预处理代码中的参数相同，即K=3，max_iters=10。