下面簡單集成算法代碼

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 創建數據集，生成 3 個中心的聚類數據，共 300 個樣本，每個樣本 2 個特征
X, _ = make_blobs(n_samples=300, centers=3, n_features=2, random_state=42)

# 進行 K 均值聚類，設置聚類數為 3
kmeans = KMeans(n_clusters=3, random_state=42)
y_pred = kmeans.fit_predict(X)

# 可視化聚類結果
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1],?
s=300, c='red', marker='*', label='Centroids')
plt.legend()
plt.title('K-Means Clustering')
plt.show()

這段代碼展示了如何使用scikit-learn庫實現K均值（K-Means）聚類算法，并通過可視化呈現聚類結果。

首先是數據生成環節。代碼利用make_blobs函數創建了一個模擬數據集，其中參數n_samples=300指定生成300個樣本，centers=3定義了數據潛在的3個聚類中心，n_features=2設置每個樣本包含2個特征（便于二維可視化），random_state=42確保結果可重復。生成的數據集X是一個300行2列的數組，包含了分布在3個中心周圍的樣本點，由于未使用標簽信息，該過程屬于無監督學習的數據準備。

接下來是K均值聚類的實現。通過KMeans類初始化模型，n_clusters=3指定聚類數量為3（與數據生成時的中心數一致），random_state=42固定隨機種子以保證結果穩定。調用fit_predict方法同時完成模型訓練和預測，返回的y_pred是長度為300的數組，每個元素表示對應樣本所屬的聚類類別（0、1或2），實現了對無標簽數據的自動分組。

最后是結果可視化部分。使用matplotlib.pyplot繪制散點圖：以樣本的兩個特征分別作為橫、縱軸，用c=y_pred通過不同顏色區分聚類結果，cmap='viridis'設置配色方案；同時用紅色星號標記出聚類中心（kmeans.cluster_centers_存儲了3個中心的坐標），并通過s=300放大顯示以突出其位置。圖表添加了圖例、標題，最終通過plt.show()展示圖像。

從結果來看，可視化圖像會清晰呈現3組顏色不同的樣本點，每組點圍繞一個紅色星號（聚類中心）分布，直觀體現了K均值算法的核心思想——通過迭代計算，將數據劃分為K個聚類，使每個樣本到其所屬聚類中心的距離之和最小化。此案例中，由于使用了預設3個中心的模擬數據，聚類結果通常會與真實分布高度吻合，驗證了K均值在簡單數據集上的有效性。該代碼為理解無監督聚類算法提供了直觀示例，可通過調整n_clusters等參數觀察不同聚類數量對結果的影響。