K-mean平均距离

K-均值聚类是一种常用的无监督学习算法，它将数据点分成K个不同的簇。在K-均值聚类中，我们可以使用平均距离来评估聚类的质量。下面是一个使用Python实现K-均值聚类并计算平均距离的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 生成示例数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 创建KMeans对象并进行聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 获取每个数据点的所属簇的索引
labels = kmeans.labels_

# 计算每个簇的质心
centroids = kmeans.cluster_centers_

# 计算每个数据点到质心的距离
distances = []
for i, data_point in enumerate(X):
    centroid = centroids[labels[i]]
    distance = np.linalg.norm(data_point - centroid)
    distances.append(distance)

# 计算平均距离
average_distance = np.mean(distances)

print("平均距离：", average_distance)

在这个示例中，我们首先生成了一个包含6个数据点的示例数据集X。我们使用KMeans类来进行聚类，设置n_clusters参数为2，表示要将数据分为2个簇。然后，我们获取每个数据点的所属簇的索引，并计算每个簇的质心。

接下来，我们计算每个数据点到其所属簇质心的距离，并将这些距离存储在distances列表中。最后，我们使用np.mean函数计算平均距离并将其打印出来。

请注意，这个示例只是使用了一个简单的2维数据集作为示例，你可以根据自己的需求修改数据集和参数。