mglearn.discrete_scatter(X[:,0],X[:,1],kmeans.labels_,markers='o',markeredgewidth=0.1)可以设置圆点的大小

`mglearn.discrete_scatter` 是 `scikit-learn` 中的一个可视化工具，用于二维数据集中的散点图，通常用于展示聚类结果。参数 `X[:,0]` 和 `X[:,1]` 分别代表数据集中的一维特征，`kmeans.labels_` 则表示 K-means 聚类算法的结果，`markers` 参数让你可以选择不同类型的标记（这里是 'o' 表示圆形），而 `markeredgewidth` 控制标记边缘的宽度。

如果你想设置圆点的大小，`discrete_scatter` 函数本身并不直接提供控制单个标记大小的选项。但是，你可以通过调整每个标记的颜色或透明度间接地影响视觉效果。例如，你可以使用 `matplotlib` 的 `scatter` 函数，先创建一个散点图，然后对每个分类应用不同的大小：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans

# 假设 X, kmeans.labels_ 已经准备好了
plt.scatter(X[:,0], X[:,1], c=kmeans.labels_, cmap='viridis')  # 使用颜色映射
plt.scatter(X[kmeans.labels_ == 0, 0], X[kmeans.labels_ == 0, 1], s=50, alpha=0.7)  # 对类别0设置特定大小和透明度
plt.scatter(X[kmeans.labels_ == 1, 0], X[kmeans.labels_ == 1, 1], s=80, alpha=0.6)
# ...重复为其他类别

plt.colorbar()  # 显示颜色条
plt.show()

在这个例子中，`s` 参数设置了点的面积，从而控制了它们的大小，`alpha` 参数则定义了点的透明度，结合使用这两个参数可以模拟点的大小变化。