K-Means聚类算法与数据集分割

K-Means聚类算法是一种常用的无监督学习算法，用于将数据集分成不同的簇。下面是一个包含代码示例的解决方法：

1. 导入必要的库

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

2. 生成一个示例数据集

X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

3. 使用K-Means算法进行数据集分割

kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

4. 输出每个样本所属的簇

labels = kmeans.labels_
print(labels)

5. 输出每个簇的中心点

centers = kmeans.cluster_centers_
print(centers)

6. 可视化结果

plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='x', color='r')
plt.show()

这段代码将生成一个二维数据集，并使用K-Means算法将数据分为两个簇。然后，它将输出每个样本所属的簇和每个簇的中心点，并通过散点图可视化结果。

请注意，这只是一个简单的示例，实际应用中可能需要根据具体情况对代码进行更多的定制和优化。