K-means性能

以下是使用Python中的scikit-learn库实现K-means算法的示例代码：

from sklearn.cluster import KMeans
from sklearn import datasets

# 加载数据集
iris = datasets.load_iris()
X = iris.data

# 创建K-means模型
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

# 输出聚类结果和中心点坐标
print("聚类结果：")
print(labels)
print("中心点坐标：")
print(centroids)

# 计算性能指标
silhouette_score = metrics.silhouette_score(X, labels)
inertia = kmeans.inertia_

# 输出性能指标
print("轮廓系数：", silhouette_score)
print("SSE（簇内误差平方和）：", inertia)

在上面的示例代码中，首先通过加载iris数据集获取特征数据X。然后，使用KMeans类创建K-means模型，并设置聚类簇的数量为3。接下来，通过调用fit方法来训练模型并获取聚类结果。然后，可以使用labels属性获取每个样本的聚类标签，使用cluster_centers_属性获取每个簇的中心点坐标。

此外，示例代码还展示了如何计算K-means的性能指标。其中，silhouette_score表示样本的平均轮廓系数，用于评估聚类结果的紧密度和分离度；inertia表示簇内误差平方和（Sum of Squared Errors, SSE），用于评估聚类结果的紧密度。通过调用scikit-learn库中的metrics模块，可以计算这些性能指标。

请注意，示例代码中的性能指标计算需要导入相应的模块，可以通过添加以下代码来导入：

from sklearn import metrics