K-means代码实现并测试鸢尾花数据集

首先，我们需要导入所需的库，然后加载鸢尾花数据集。在Python中，我们将使用`scikit-learn`库来进行K-means聚类。

这里是一个完整的代码示例，使用鸢尾花数据集(Iris dataset)进行K-means聚类：

# 导入库
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 加载数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据

# 数据预处理（标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 设置聚类数量（这里假设为3，对应鸢尾花的三个品种）
n_clusters = 3

# 创建并训练KMeans模型
kmeans = KMeans(n_clusters=n_clusters, random_state=42)
kmeans.fit(X_scaled)

# 分配每个样本到最近的聚类中心
labels = kmeans.labels_

# 检查聚类结果
print(f"样本分配到的聚类: {labels}")

# 绘制聚类结果
plt.scatter(X_scaled[:, 0], X_scaled[:, 1], c=labels, cmap='viridis')
plt.title('Iris Dataset - K-Means Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(['Cluster 0', 'Cluster 1', 'Cluster 2'])
plt.show()

# 测试评估指标（例如轮廓系数）
from sklearn.metrics import silhouette_score
score = silhouette_score(X_scaled, labels)
print(f"轮廓系数 (Silhouette Score): {score}")

运行这段代码后，你会看到根据K-means聚类算法对鸢尾花数据集的结果可视化，并计算了轮廓系数来衡量聚类的效果。