KMeans多维特征聚类

下面是一个使用KMeans算法进行多维特征聚类的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 生成样本数据
X = np.array([[1, 2, 3], [1, 4, 2], [5, 8, 9], [6, 7, 2], [3, 3, 3], [7, 6, 5]])

# 创建KMeans模型并进行训练
kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

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

# 打印聚类结果
print("样本数据的聚类结果:")
for i in range(len(X)):
    print("样本数据", X[i], "属于聚类", labels[i])

print("\n聚类中心点坐标：")
for centroid in centroids:
    print(centroid)

在上面的示例代码中，我们首先使用numpy库生成了一个包含多维特征的样本数据。然后，我们使用sklearn库中的KMeans类创建了一个KMeans模型，并设置聚类数为2。接下来，我们使用训练数据X对模型进行训练。训练完成后，我们可以通过labels_属性获取每个样本的聚类标签，通过cluster_centers_属性获取每个聚类的中心点坐标。最后，我们打印出样本数据的聚类结果和聚类中心点坐标。

请注意，上述代码仅仅是一个示例，实际应用中，您可能需要根据具体的需求进行适当的调整和修改。