用python完成机器学习实验鸢尾花数据集的 k 均值聚类实验步骤

好的，以下是用Python完成机器学习实验鸢尾花数据集的k均值聚类实验步骤：

1. 导入必要的库和数据集

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

iris = load_iris()
X = iris.data

2. 确定K值

我们需要选择一个合适的K值来进行聚类，这里我们可以使用肘部法则来确定K值。肘部法则是通过绘制不同K值下的SSE（误差平方和）曲线来确定K值。

sse = []
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=2021)
    kmeans.fit(X)
    sse.append(kmeans.inertia_)

plt.figure(figsize=(8, 6))
plt.plot(range(1, 11), sse, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('SSE')
plt.show()

3. 进行聚类

确定了K值后，我们可以使用KMeans算法进行聚类。

kmeans = KMeans(n_clusters=3, random_state=2021)
kmeans.fit(X)
y_kmeans = kmeans.predict(X)

4. 可视化结果

最后，我们可以可视化聚类结果。

plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

完整代码如下：

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

iris = load_iris()
X = iris.data

sse = []
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=2021)
    kmeans.fit(X)
    sse.append(kmeans.inertia_)

plt.figure(figsize=(8, 6))
plt.plot(range(1, 11), sse, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('SSE')
plt.show()

kmeans = KMeans(n_clusters=3, random_state=2021)
kmeans.fit(X)
y_kmeans = kmeans.predict(X)

plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()