K-means聚类算法实现。 二、实验内容： 1. 采用莺尾花数据，学习决策树。

抱歉，您的问题似乎有些混淆。您先提到了K-means聚类算法的实现，然后又提到了使用莺尾花数据学习决策树。这两个问题是不同的。

如果您想了解如何使用K-means聚类算法对莺尾花数据进行聚类，可以按照以下步骤：

1. 导入必要的库：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris

2. 加载莺尾花数据集：

iris = load_iris()
X = iris.data

3. 创建一个K-means聚类器：

kmeans = KMeans(n_clusters=3, random_state=0)

4. 使用数据训练聚类器：

kmeans.fit(X)

5. 输出聚类的标签：

print(kmeans.labels_)

这将输出一个长度为150的数组，其中包含每个数据点的聚类标签。

如果您想了解如何使用莺尾花数据集学习决策树，可以按照以下步骤：

1. 导入必要的库：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. 加载莺尾花数据集：

iris = load_iris()
X = iris.data
y = iris.target

3. 把数据集分成训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. 创建一个决策树分类器：

tree = DecisionTreeClassifier()

5. 使用训练数据来训练分类器：

tree.fit(X_train, y_train)

6. 使用测试数据来测试分类器的准确性：

y_pred = tree.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

7. 输出分类器的准确性：

print("Accuracy:", accuracy)

这将输出一个准确性分数，用于评估分类器的性能。