Untitled

from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from mpl_toolkits.mplot3d import Axes3D

# Выполняем кластеризацию снова для получения меток кластеров
kmeans = KMeans(n_clusters=4, random_state=0).fit(features_scaled)
y_kmeans = kmeans.labels_

# Выполняем PCA для уменьшения размерности до 3
pca = PCA(n_components=3)
features_pca_3d = pca.fit_transform(features_scaled)

# Визуализация результатов PCA
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# Различные цвета для различных кластеров
colors = ['blue', 'green', 'red', 'purple']

for i in range(4):
    ax.scatter(features_pca_3d[y_kmeans == i, 0], features_pca_3d[y_kmeans == i, 1], features_pca_3d[y_kmeans == i, 2], 
               c=colors[i], label=f'Cluster {i}')

ax.set_title('3D PCA Visualization of Client Clusters')
ax.set_xlabel('PC1')
ax.set_ylabel('PC2')
ax.set_zlabel('PC3')
ax.legend()

plt.show()