### 使用 Python 实现 K-Means 算法并绘制图形 以下是基于 Scikit-Learn 的 `KMeans` 模型对未知数据进行分析的完整示例代码。此代码展示了如何加载数据、执行聚类操作以及通过 Matplotlib 可视化结果。 ```python from sklearn.cluster import KMeans import numpy as np import matplotlib.pyplot as plt # 假设这是我们的未知数据集 (二维特征空间) X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]) # 创建 KMeans 模型实例，指定簇的数量为 2 kmeans = KMeans(n_clusters=2, random_state=0) # 训练模型并对数据点分配簇标签 labels = kmeans.fit_predict(X) # 获取簇中心坐标 centers = kmeans.cluster_centers_ # 数据可视化 plt.figure(figsize=(8, 6)) plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', label="Data Points") # 显示数据点及其分类颜色 plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75, label="Cluster Centers") # 显示簇心 plt.xlabel('Feature 1') plt.ylabel('Feature 2') plt.title('K-Means Clustering Visualization') plt.legend() plt.grid(True) plt.show() ``` 上述代码实现了以下功能： - 加载了一个简单的二维数据集作为输入[^1]。 - 利用了 Scikit-Learn 中的 `KMeans` 类来创建和训练模型[^2]。 - 将每个数据点分配到最近的簇，并提取了簇心的位置。 - 使用 Matplotlib 库将数据点按其所属簇着色，并突出显示簇心位置。 #### 关于参数调整 如果需要更精确的结果或者处理更高维度的数据，则可以考虑增加或减少簇数 (`n_clusters`) 或者尝试不同的初始化方法（如 `init='random'`）。此外，在实际应用中可能还需要标准化数据以消除量纲影响。