1.调用k-means算法对生成的数据集进行聚类，对聚类效果进行展 示。 实验要求： （1）导入需要的库； （2）生成训练集； （3）用k-means算法将这些数据聚为3类，并绘制聚类效果； （4）输出k-means聚类的标签；

为了帮助你完成这个实验，我们首先需要导入必要的库，如`numpy`用于处理数组操作，`matplotlib`用于可视化，以及`sklearn.cluster`模块中的`KMeans`类来进行K-means聚类。以下是一段简单的Python代码示例：

# 导入所需的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

# 生成训练集（这里假设我们要创建一个二维数据集）
n_samples = 1000
X = np.random.rand(n_samples, 2) * 10  # 创建随机二维数据点，范围在0到10之间

# 用K-means算法进行聚类，设置类别数为3
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 获取聚类标签
labels = kmeans.labels_

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')  # 使用散点图表示数据点颜色根据聚类标签变化
plt.title('K-means Clustering Result')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

# 输出聚类标签
print("Cluster labels:", labels)

这段代码首先生成了一个1000个样本、每个样本有两个特征的随机数据集。然后使用`KMeans`模型将其分为3类，并获取每个数据点所属的簇标签。最后，通过散点图展示了聚类结果，不同颜色代表不同的簇。

执行此代码后，你应该能看到一个二维数据集按照聚类结果被分成了三个区域。每个点的颜色对应其所属的簇。