模式识别聚类分析代码

模式识别聚类分析是一种数据挖掘技术，用于将一组数据分成不同的组或类别，每个类别内的数据相似度较高，而不同类别的数据差异较大。常见的聚类算法有K-means、层次聚类（如凝聚层次聚类和分裂层次聚类）、DBSCAN等。

下面是一个简单的Python示例，使用K-means算法进行聚类分析：

from sklearn.cluster import KMeans
import numpy as np

# 假设我们有一个二维的数据集
data = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 创建KMeans模型，设定簇的数量为3
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(data)

# 获取聚类结果
labels = kmeans.labels_

# 输出每个样本所属的簇
for i in range(len(data)):
    print(f"Sample {i}: Cluster {labels[i]}")

# 可视化聚类结果
plt.scatter(data[:, 0], data[:, 1], c=labels)

在这个例子中，`fit`函数训练模型，`labels_`变量包含了每个样本的聚类标签。然后可以根据标签对数据进行分组处理。