聚类采用鸢尾花数据集，基于Kmeans算法 ，聚类标签数3类，要求输出每一次迭代 的中心点位置和最终精度。

好的，我可以帮你回答这个问题。

鸢尾花数据集是一个经典的分类问题，包含了150个样本和4个特征，分为3个类别。而聚类问题是将数据集中的每个样本分成若干个组（簇），使得同一组内的样本相似度高，不同组内的样本相似度低。

Kmeans算法是一种基于距离的聚类算法，它的步骤如下：

1. 随机选取K个中心点；
2. 将每个样本分配到距离最近的中心点所在的簇中；
3. 重新计算每个簇的中心点位置；
4. 重复步骤2和步骤3，直到簇内样本的变化小于某个阈值或达到最大迭代次数。

下面是Kmeans算法的代码实现：

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data

# 定义Kmeans聚类器
kmeans = KMeans(n_clusters=3, init='random')

# 训练模型
kmeans.fit(X)

# 输出每一次迭代的中心点位置
print("Centers:")
print(kmeans.cluster_centers_)
print()

# 输出最终精度
y_pred = kmeans.labels_
y_true = iris.target
accuracy = accuracy_score(y_true, y_pred)
print("Accuracy:", accuracy)

在上面的代码中，我们使用KMeans函数来定义Kmeans聚类器，其中n_clusters参数表示聚类的标签数，init参数表示初始化中心点的方法。我们使用数据集来训练模型，然后输出每一次迭代的中心点位置和最终精度。

注意：在实际应用中，我们需要对数据进行归一化处理，以避免特征之间的差异影响模型的性能。另外，Kmeans算法的结果可能会受到初始化中心点的影响，因此需要多次运行算法来得到更稳定的结果。