K-means聚类MNIST数据集

以下是一个使用K-means聚类算法对MNIST数据集进行聚类的示例代码：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import fetch_openml
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# 加载MNIST数据集
mnist = fetch_openml('mnist_784')
X = mnist.data
y = mnist.target

# 使用PCA降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 使用K-means进行聚类
kmeans = KMeans(n_clusters=10, random_state=42)
kmeans.fit(X_pca)

# 可视化聚类结果
colors = ['#FF0000', '#00FF00', '#0000FF', '#FFFF00', '#00FFFF', '#FF00FF', '#800000', '#008000', '#000080', '#808080']
plt.figure(figsize=(12, 8))
for i in range(10):
    cluster_points = X_pca[kmeans.labels_ == i]
    plt.scatter(cluster_points[:, 0], cluster_points[:, 1], c=colors[i], label=str(i))
plt.legend()
plt.title('K-means Clustering of MNIST Dataset')
plt.show()

这段代码首先使用fetch_openml函数加载MNIST数据集，然后使用PCA进行降维，将原始的784维特征降低到2维，以便于可视化。接下来，创建一个KMeans对象，设置聚类数为10，并使用fit方法对降维后的数据进行聚类。最后，通过循环遍历每个聚类，将其对应的数据点在散点图上用不同颜色表示，并添加图例和标题，最终显示出聚类结果。

请注意，这只是一个示例代码，实际使用K-means聚类MNIST数据集时，可能需要根据具体需求进行调整和优化。