利用K均值聚类算法对自己创建的数据集进行聚类，并利用兰德系数检验聚类效果，给出最终正确率。

感谢您的提问。以下是利用K均值聚类算法对数据集进行聚类并检验聚类效果的步骤：

1. 收集并准备好数据集：将数据集整理成一个矩阵，每一行代表一个数据点，每一列代表一个特征。

2. 确定聚类数：通过手肘法、轮廓系数等方法确定聚类数。

3. 进行K均值聚类算法：利用K均值聚类算法进行聚类。

4. 评估聚类效果：利用兰德系数检验聚类效果，计算出正确率。

下面是Python实现K均值聚类算法并利用兰德系数检验聚类效果的示例代码：

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

# 读取数据集
data = np.loadtxt('data.txt')

# 确定聚类数
k = 3

# 进行K均值聚类算法
model = KMeans(n_clusters=k)
model.fit(data)

# 评估聚类效果
labels_true = np.loadtxt('labels_true.txt')
labels_pred = model.labels_
rand_index = metrics.adjusted_rand_score(labels_true, labels_pred)
accuracy = rand_index * 100
print('正确率为：%.2f%%' % accuracy)

其中，`data.txt`是数据集文件，`labels_true.txt`是用于检验聚类效果的真实标签文件。

希望以上内容能够对您有所帮助！