划分聚类算法K-Means的实现与测试代码

K-Means是一种常用的无监督机器学习聚类算法，它的基本思想是将数据集划分为k个大小相等、密度较高的簇。以下是K-Means的一个简单Python实现，使用sklearn库：

from sklearn.cluster import KMeans
import numpy as np

# 创建一个假想的数据集
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 初始化K-Means模型，设定簇的数量k
kmeans = KMeans(n_clusters=3)

# 训练模型，找到最优的簇中心
kmeans.fit(X)

# 预测每个点所属的簇
labels = kmeans.labels_

# 获取每个簇的中心
centroids = kmeans.cluster_centers_

# 测试：比如检查预测结果是否合理，或者计算聚类误差
inertia = kmeans.inertia_  # 聚类误差平方和，越小越好

print("Labels:", labels)
print("Centroids:", centroids)
print(f"Inertia (sum of squared distances to the closest centroid): {inertia}")

在这个例子中，我们首先创建了一个二维数组作为输入数据，然后实例化了`KMeans`对象并指定簇数k。通过`.fit()`方法训练模型，得到每个数据点的标签（表示所属的簇），以及所有簇的中心。`inertia_`属性则反映了聚类的效果。

在测试阶段，你可以检查标签分配是否合理，或者评估聚类效果的其他指标，如轮廓系数、Calinski-Harabasz指数等。