K-means聚类算法实现采用莺尾花数据，学习决策树，画出决策树

以下是实现K-means聚类算法、学习决策树并绘制决策树的步骤：

1. 导入必要的库：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

2. 加载莺尾花数据集：

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

3. K-means聚类算法：

kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)
labels = kmeans.labels_

4. 学习决策树：

X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.3, random_state=42)
tree = DecisionTreeClassifier()
tree.fit(X_train, y_train)
y_pred = tree.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

5. 绘制决策树：

plt.figure(figsize=(10, 8))
plot_tree(tree, filled=True)
plt.show()

这将输出一个决策树的图形化表示，其中每个节点表示一个决策条件，每个叶节点表示一个类别。在这个例子中，决策树的节点和叶节点均使用颜色进行区分，其中绿色表示类别0，红色表示类别1，黄色表示类别2。