k-means聚类算法对矩阵元素进行分类

实验目的

使用k-means聚类算法对矩阵元素进行分类

实验内容

编写程序，使用k-means聚类方法对已知数据进行聚类，然后对未知样本进行分类。数据自己进行模拟生成，要求为整数，样本个数至少为 100个，类别作为输入参数。
k-means 算法的基本思想：以空间k个点为中心进行聚类，对靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。最终的k各聚类具有以下特点：各聚类本身尽可能紧凑，而各聚类之间尽可能分开。
假设把样本集分为k个类别，算法描述如下：

1. 适当选择k个类的初始中心。
2. 在k次迭代中，对任意一个样本，求其到k个中心的聚类，将该样本归到距离最近的中心所在的类。
3. 利用均值或其他算法更新该类的中心值。
4. 对于所有的k个聚类中心，如果利用步骤2，3迭代更新后，值保持不变，则迭代结束，否则继续迭代。
   该算法的最大优势在于简洁和快速，算法的关键在于预期分类数量的确定以及初始中心和距离公式的选择。

实验源代码

# 引入数据集,sklearn包含众多数据集
from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
from sklearn.cluster import KMeans

import matplotlib.pyplot as plt
import numpy as np

# 引入iris鸢尾花数据,iris数据包含4个特征变量
iris = datasets.load_iris()
iris_X = iris.data  # 特征变量
iris_y = iris.target  # 目标值
# 将数据集划分为20%测试集和80%训练集
X_train, X_test, Y_train, Y_test = train_test_split(iris_X, iris_y,
                                                    test_size=0.2)

num = int(input("请输入聚类的个数K:"))
kmeans = KMeans(n_clusters=num