K-Means算法代码的基础上，根据鸢尾花数据集的特征进行代码修改，K=2，测试并得出最终的聚类结果。

K-Means算法是一种常见的无监督学习方法，用于将数据分为预设数量的簇。以下是基于Python和sklearn库对鸢尾花数据集进行K=2聚类的基本步骤：

from sklearn import datasets
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 取前两个主成分以简化示例，这里假设我们只关心两个维度

# 使用KMeans算法，设置k值为2
kmeans = KMeans(n_clusters=2)
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')
plt.title('Iris dataset clustering with KMeans (k=2)')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

# 结果分析：
# labels数组包含了每个样本的聚类标签，0表示一类，1表示另一类。
# 聚类中心（centroids）可以通过kmeans.cluster_centers_获取。

相关问题

在老师提供K-Means算法代码的基础上，根据鸢尾花数据集的特征进行代码修改，K=2，测试并得出最终的聚类结果。

K-Means是一种常用的无监督学习算法，用于将数据分为预设数量的类别（簇）。如果你已经有了基础的K-Means代码，并且想要针对鸢尾花（Iris dataset）数据集进行操作，以下是简单的步骤：

1. **数据准备**：首先，你需要加载鸢尾花数据集，它通常包含萼片长度、萼片宽度、花瓣长度和花瓣宽度这四个特征。你可以使用pandas库来读取CSV文件。

import pandas as pd
from sklearn.datasets import load_iris

data = load_iris()
X = data.data
y = data.target

2. **预处理**：由于K-Means对数值数据敏感，需要归一化或标准化数据。这里我们假设数据已经处理好。

3. **选择K值**：在这个例子中，K=2。K值决定了要分成的簇的数量。

4. **初始化质心**：随机选择两个样本作为初始质心（中心点）。

5. **迭代优化**：应用K-Means算法，不断更新每个样本到最近质心的距离，并根据新的中心位置重新分配样本，直到质心不再变化或达到预定的最大迭代次数。

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

labels = kmeans.labels_
centroids = kmeans.cluster_centers_

6. **评估结果**：可以计算轮廓系数（Silhouette Score），这是一种评价聚类效果好坏的指标，数值范围从-1到1，越接近1表示聚类效果越好。

7. **可视化结果**：使用matplotlib或其他工具绘制散点图，颜色表示不同的簇，观察数据如何被划分。

import matplotlib.pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', s=100, color='red')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('K-Means Clustering Result (K=2)')
plt.show()