在部分类别数量稀少的且训练集样本很少情况下，进行14分类的无监督算法，并可视化预测结果以及图Python实现完整代码

在数据类别较少且样本量有限的情况下，可以尝试使用聚类（如K-means、DBSCAN等）作为无监督学习的方法来进行14分类。由于是小样本，无标签数据，所以聚类可能会因为初始种子选择、模型参数敏感等问题导致效果不稳定。不过，仍然可以尝试通过多次运行并选取最佳结果来改善。

对于可视化，你可以使用matplotlib或seaborn库来创建簇的分布图，比如散点图，每个颜色代表一类。如果需要，还可以绘制轮廓图或层次聚类的结果。

下面是一个简单的Python示例，使用scikit-learn的KMeans进行14分类聚类，并使用matplotlib进行可视化：

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

# 假设你已经有了特征数据X (14列，n_samples行)
# 或者直接生成随机数据
np.random.seed(0)  # 设置随机种子便于复现
X = np.random.rand(100, 14)

# 定义KMeans模型
kmeans = KMeans(n_clusters=14, init='k-means++', max_iter=300, random_state=0)

# 进行聚类
kmeans.fit(X)

# 获取预测结果
labels = kmeans.labels_

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('KMeans Clustering Visualization')
plt.show()

# 如果想要可视化每个簇中心，可以用以下代码
centroids = kmeans.cluster_centers_
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', color='red', s=100, label='Centroids')
plt.legend()
plt.show()