使用k均值聚类对鸢尾花数据集进行聚类

K均值聚类是一种常用的无监督学习算法，可以将数据集中的数据分成K个簇。在Python中，可以使用scikit-learn库中的KMeans类来实现K均值聚类。下面是使用KMeans对鸢尾花数据集进行聚类的示例代码：

from sklearn.cluster import KMeans
from sklearn.datasets import load_iris

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

# 创建KMeans模型并训练
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 输出聚类结果
print(kmeans.labels_)

在上面的代码中，首先使用load_iris函数加载鸢尾花数据集，然后将数据集中的数据存储在X变量中。接着，创建一个KMeans对象，并将n_clusters参数设置为3，表示要将数据集分成3个簇。最后，使用fit方法对模型进行训练，并使用labels_属性获取聚类结果。

相关问题

使用k均值聚类算法对鸢尾花数据集进行聚类。

好的，下面是使用k均值聚类算法对鸢尾花数据集进行聚类的Python代码：

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

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

# 设置k值，这里设置为3
k = 3

# 创建k均值模型并进行训练
kmeans = KMeans(n_clusters=k, random_state=0).fit(X)

# 输出每个样本所属的簇
labels = kmeans.labels_
print(labels)

# 绘制聚类结果
colors = ['red', 'blue', 'green']
for i in range(len(X)):
    plt.scatter(X[i, 0], X[i, 1], color=colors[labels[i]])
plt.show()

这段代码首先加载了鸢尾花数据集，然后设置k值为3，创建k均值模型并进行训练。最后输出每个样本所属的簇，并绘制聚类结果。

使用k均值聚类算法对鸢尾花数据集进行聚类代码及结果截图

下面是使用Python中的Scikit-learn库来进行鸢尾花数据集的k均值聚类的示例代码：

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

# 导入鸢尾花数据集
iris = load_iris()
X = iris.data

# 使用k均值聚类算法
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(X)

# 获取聚类结果和聚类中心
labels = kmeans.labels_
centers = kmeans.cluster_centers_

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='*', c='red', s=200)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.title('K-means Clustering of Iris Dataset')
plt.show()

运行以上代码，将得到一个散点图，显示了鸢尾花数据集的聚类结果。每个点的颜色代表其所属的聚类簇，红色的星标表示聚类中心。

结果截图：（请注意，由于每次运行聚类算法的初始化不同，因此结果可能会有所不同）


图中展示了鸢尾花数据集的两个特征（花萼长度和花萼宽度）的聚类结果，共分为三类。聚类中心用红色的星标表示，可以看到数据点在不同的聚类簇中被正确地分配了。