import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.cluster import KMeans # 加载鸢尾花数据集 iris = load_iris() X = iris.data[:, :2] # 取前两个特征作为萼片长和宽 # 进行Kmeans聚类划分 kmeans = KMeans(n_clusters=3, random_state=0).fit(X) labels = kmeans.labels_ # 绘制散点图 plt.scatter(X[labels == 0, 0], X[labels == 0, 1], c='red', label='Cluster 1') plt.scatter(X[labels == 1, 0], X[labels == 1, 1], c='blue', label='Cluster 2') plt.scatter(X[labels == 2, 0], X[labels == 2, 1], c='green', label='Cluster 3') plt.xlabel('Sepal Length') plt.ylabel('Sepal Width') plt.title('Kmeans Clustering of Iris Dataset') plt.legend() plt.show()改进此代码

这段代码已经完成了 KMeans 聚类算法对鸢尾花数据集的分类，但是可以对其进行以下改进：

1. 使用更多的特征进行聚类，以提高聚类效果。
2. 对聚类结果进行评估，以确定最佳的聚类数。
3. 对聚类结果进行可视化，以更直观地展现聚类效果。

以下是改进后的代码：

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn.datasets import load_iris 
from sklearn.cluster import KMeans 
from sklearn.decomposition import PCA 

# 加载鸢尾花数据集 
iris = load_iris() 
X = iris.data  # 取所有特征

# 进行PCA降维
pca = PCA(n_components=2)
X = pca.fit_transform(X)

# 确定最佳聚类数
inertias = []
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=0).fit(X)
    inertias.append(kmeans.inertia_)
plt.plot(range(1, 11), inertias, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('Inertia')
plt.show()

# 进行Kmeans聚类划分
kmeans = KMeans(n_clusters=3, random_state=0).fit(X) 
labels = kmeans.labels_

# 绘制散点图
plt.scatter(X[labels == 0, 0], X[labels == 0, 1], c='red', label='Cluster 1') 
plt.scatter(X[labels == 1, 0], X[labels == 1, 1], c='blue', label='Cluster 2') 
plt.scatter(X[labels == 2, 0], X[labels == 2, 1], c='green', label='Cluster 3') 
plt.xlabel('PCA Component 1') 
plt.ylabel('PCA Component 2') 
plt.title('Kmeans Clustering of Iris Dataset') 
plt.legend() 
plt.show()

改进后的代码使用了所有特征进行聚类，并对数据进行了 PCA 降维，以便在二维平面上进行可视化。同时，代码还使用了肘部法则确定最佳聚类数，并在可视化结果中添加了标题和图例，以更好地展现聚类效果。