运行代码后，利用matplotlib（from matplotlib import pyplot as plt）绘制图形
图1 交织的半圆 图2 同心圆 图3 两团数据点
假定簇是凸的且各向同性的；并不是归一化的指标，即范围不是0到1之间，我们只知道该指标越小越好，0为最佳。k均值算法分为3个步骤：第1步，选择初始的簇中心，可以随机选择数据集中的样本；第2步，将每个样本分配到最近的簇中心所在的簇；第3步，计算新的簇中心。重复迭代第2和3步，直到簇中心在不同的迭代之间变化不大。
k-means聚类模型的属性参数：参数n_clusters：聚类得到簇的数量参数n_init：随机选择初始中心的组数，最终选择惯性最小的模型参数random_state：生成随机中心的点的数量代码中，指定簇的数量为3，初始中心的组数为3，生成随机中心点数量为123个，并训练
cluster_centers_、labels_和inertia_得到簇的中心、每个样本的簇序号和惯性
可以看出，左上方的凸面分成了1个簇，右下方的凸面分成了2个簇。
得到真实类别序号与簇的序号的交叉表。
可以看出，类别序号0代表的setosa完全对应1个簇，而类别序号1代表的versicolor和类别序号2代表的virginica基本也分成了2个簇。
THE END