K-means预测和拟合预测

以下是一个使用K-means算法进行预测和拟合预测的示例代码：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

# 生成一个示例数据集
X, y = make_blobs(n_samples=500, centers=4, random_state=42)

# 使用K-means算法进行聚类
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(X)

# 预测新样本的类别
new_samples = np.array([[0, 0], [4, 4]])
new_labels = kmeans.predict(new_samples)
print("New Samples Predicted Labels:", new_labels)

# 拟合预测
cluster_centers = kmeans.cluster_centers_
cluster_labels = kmeans.labels_

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=cluster_labels)
plt.scatter(new_samples[:, 0], new_samples[:, 1], c=new_labels, marker='x', s=100)
plt.scatter(cluster_centers[:, 0], cluster_centers[:, 1], c='red', marker='*', s=200, label='Cluster Centers')
plt.legend()
plt.show()

这段代码首先使用make_blobs函数生成一个示例数据集，然后使用K-means算法进行聚类，并根据聚类结果预测新样本的类别。最后，通过绘制散点图可视化聚类结果，其中聚类中心点用红色星号标记，新样本用红色叉标记。