K均值聚类算法实现与测试

一、实验目的
深入理解K均值聚类算法的算法原理，进而理解无监督学习的意义，能够使用Python语言实现K均值聚类算法的训练与测试，并且使用五折交叉验证算法进行模型训练与评估。

二、实验内容
（1）从scikit-learm库中加载iris数据集或本地读取，进行数据分析，去除数据集中类别标签行；
（2）采用五折交叉验证划分训练集和测试集，使用训练集对K均值聚类算法进行训练：
（3）使用五折交叉验证对模型性能（准确度、精度、召回率和F1值）进行测试，与测试集中的样本距离最近的聚类中心类别即为该样本的预测类别；
（4）通过对测试结果进行比较分析，评估模型性能：
（5）完成实验报告中实验七的部分。

三、算法步骤、代码、及结果

def align_cluster_labels(true_labels, pred_clusters):
    """将聚类结果与真实标签对齐"""
    aligned_pred = np.zeros_like(pred_clusters)
    for cluster in np.unique(pred_clusters):
        mask = (pred_clusters == cluster)
        if np.sum(mask) > 0:
            true_labels_in_cluster = true_labels[mask]
            most_common_label = mode(true_labels_in_cluster, keepdims=True).mode[0]
            aligned_pred[mask] = most_common_label
    return aligned_pred


def evaluate_clustering(true_labels, pred_labels):
    """评估聚类性能"""
    accuracy = accuracy_score(true_labels, pred_labels)
    precision = precision_score(true_labels, pred_labels, average='weighted', zero_division=0)
    recall = recall_score(true_labels, pred_labels, average='weighted', zero_division=0)
    f1 = f1_score(true_labels, pred_labels, average='weighted', zero_division=0)
    return accuracy, precision, recall, f1