基于sklearn实现kmeans聚类并绘制图像

基于scikit-learn库实现K-means聚类算法并绘制结果图像通常包括以下几个步骤：

1. **导入所需库**：

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

2. **准备数据**：
如果需要从已有数据集加载数据，比如Iris数据集：

from sklearn.datasets import load_iris
data = load_iris().data

或者手动创建随机数据：

n_samples, n_features = 100, 2
X = np.random.rand(n_samples, n_features)

3. **初始化KMeans模型**：

k = 3  # 需要指定簇的数量
kmeans = KMeans(n_clusters=k)

4. **拟合数据**：

kmeans.fit(X)

5. **预测聚类**：

labels = kmeans.predict(X)

6. **可视化结果**：

plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red', label='Centroids')
plt.title('K-Means Clustering Result')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

这里我们用散点图展示样本按照聚类标签颜色分类，并将质心（cluster centers）表示为红色大圆点。