下面简单集成算法代码

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 创建数据集，生成 3 个中心的聚类数据，共 300 个样本，每个样本 2 个特征
X, _ = make_blobs(n_samples=300, centers=3, n_features=2, random_state=42)

# 进行 K 均值聚类，设置聚类数为 3
kmeans = KMeans(n_clusters=3, random_state=42)
y_pred = kmeans.fit_predict(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], 
s=300, c='red', marker='*', label='Centroids')
plt.legend()
plt.title('K-Means Clustering')
plt.show()

这段代码展示了如何使用scikit-learn库实现K均值（K-Means）聚类算法，并通过可视化呈现聚类结果。

首先是数据生成环节。代码利用make_blobs函数创建了一个模拟数据集，其中参数n_samples=300指定生成300个样本，centers=3定义了数据潜在的3个聚类中心，n_features=2设置每个样本包含2个特征（便于二维可视化），random_state=42确保结果可重复。生成的数据集X是一个300行2列的数组，包含了分布在3个中心周围的样本点，由于未使用标签信息，该过程属于无监督学习的数据准备。

接下来是K均值聚类的实现。通过KMeans类初始化模型，n_clusters=3指定聚类数量为3（与数据生成时的中心数一致），random_state=42固定随机种子以保证结果稳定。调用fit_predict方法同时完成模型训练和预测，返回的y_pred是长度为300的数组，每个元素表示对应样本所属的聚类类别（0、1或2），实现了对无标签数据的自动分组。

最后是结果可视化部分。使用matplotlib.pyplot绘制散点图：以样本的两个特征分别作为横、纵轴，用c=y_pred通过不同颜色区分聚类结果，cmap='viridis'设置配色方案；同时用红色星号标记出聚类中心（kmeans.cluster_centers_存储了3个中心的坐标），并通过s=300放大显示以突出其位置。图表添加了图例、标题，最终通过plt.show()展示图像。

从结果来看，可视化图像会清晰呈现3组颜色不同的样本点，每组点围绕一个红色星号（聚类中心）分布，直观体现了K均值算法的核心思想——通过迭代计算，将数据划分为K个聚类，使每个样本到其所属聚类中心的距离之和最小化。此案例中，由于使用了预设3个中心的模拟数据，聚类结果通常会与真实分布高度吻合，验证了K均值在简单数据集上的有效性。该代码为理解无监督聚类算法提供了直观示例，可通过调整n_clusters等参数观察不同聚类数量对结果的影响。