k-means聚类代码

以下是k-means聚类的代码示例：

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

# 生成make_moons数据
X, y = make_moons(n_samples=200, noise=0.1, random_state=42)

# 进行k-means聚类
kmeans = KMeans(n_clusters=2, random_state=42)
y_pred = kmeans.fit_predict(X)

# 可视化聚类结果
plt.scatter(X[y_pred==0, 0], X[y_pred==0, 1], c='blue', label='Cluster 1')
plt.scatter(X[y_pred==1, 0], X[y_pred==1, 1], c='red', label='Cluster 2')
plt.legend()
plt.show()

以上代码使用了Scikit-learn中的make_moons方法生成数据，然后使用KMeans进行聚类，可视化结果。在此代码示例中，将数据聚类为2类，因此n_clusters参数为2。

相关问题

给出k-means聚类代码，引入兰德指数评价聚类结果

以下是使用Python实现的k-means聚类代码，并引入兰德指数评价聚类结果：

from sklearn.cluster import KMeans
from sklearn.metrics import adjusted_rand_score
import numpy as np

# 生成样本数据
X = np.random.rand(50, 2)

# 定义k值
k = 3

# 进行k-means聚类
kmeans = KMeans(n_clusters=k, random_state=0).fit(X)

# 输出聚类结果
print("聚类结果：", kmeans.labels_)

# 计算兰德指数
y_true = [0]*16 + [1]*17 + [2]*17
y_pred = kmeans.labels_
rand_index = adjusted_rand_score(y_true, y_pred)
print("兰德指数：", rand_index)

在上述代码中，我们使用sklearn库中的KMeans模型进行聚类，然后使用adjusted_rand_score函数计算兰德指数。在计算兰德指数时，需要提供真实的分类标签y_true和聚类结果y_pred。在本例中，我们使用了一个人工生成的样本数据，并将其分为三个类别，然后使用k-means聚类算法对其进行聚类，并计算兰德指数。

matlab的对excel数据的k-means聚类代码

MATLAB可以使用k-means聚类算法来对Excel数据进行分析。最常用的代码是：[idx,C] = kmeans(X,K)，其中X是您的数据数组，K是您想要的聚类数。idx是一个标签数组，说明每个数据点属于哪个聚类，而C是一个K×N矩阵，每列都是一个聚类中心点的坐标。