K-Mean用于离群点检测

K-Mean算法通常用于聚类分析，而不是离群点检测。然而，我们可以根据K-Mean算法的输出来判断数据点是否为离群点。以下是使用K-Mean算法进行离群点检测的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 生成示例数据
# 正常数据点
X_normal = np.random.randn(100, 2)
# 离群点
X_outliers = np.random.uniform(low=-10, high=10, size=(20, 2))

# 合并正常数据点和离群点
X = np.concatenate([X_normal, X_outliers])

# 使用K-Mean算法进行聚类
kmeans = KMeans(n_clusters=1)
kmeans.fit(X)

# 计算每个数据点到最近的聚类中心的距离
distances = kmeans.transform(X)
# 求每个数据点到最近的聚类中心的平均距离
avg_distances = np.mean(distances, axis=1)

# 根据平均距离设定阈值来判断数据点是否为离群点
outliers = X[avg_distances > 3]

# 输出离群点
print("离群点：")
print(outliers)

在上述代码中，我们首先生成了一些正常数据点和一些离群点。然后，将这些数据点合并在一起，并使用K-Mean算法进行聚类。接下来，计算每个数据点到最近聚类中心的距离，并求每个数据点到最近聚类中心的平均距离。最后，根据平均距离的阈值来判断数据点是否为离群点，并输出离群点。