zoukankan      html  css  js  c++  java
  • 聚类--K均值算法:自主实现与sklearn.cluster.KMeans调用

    import numpy as np
    
    x = np.random.randint(1,50,[20,1])
    y = np.zeros(20)
    k = 3
    
    def initcen(x,k): #选取数据空间中的K个对象作为初始中心,每个对象代表一个聚类中心
        return x[:k]
    
    def nearest(kc,i):  #对于样本中的数据对象,根据它们与这些聚类中心的欧氏距离,按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类;
        p = abs(kc-i)
        q = np.where(p == np.min(p))
        return q[0][0]
    def xclassify(x,y,kc):
        for i in range(x.shape[0]):
            y[i]= nearest(kc,x[i])
            return y
    
    def kcmean(x,y,kc,k):  #更新聚类中心:将每个类别中所有对象所对应的均值作为该类别的聚类中心,计算目标函数的值
        l = list(kc)
        flag = False
        for c in range(k):
            m = np.where(y == 0)
            n = np.mean(x[m])
            if l[c] != n:
                l[c] = n
                flag = True
                print(l,flag)
        return(np.array(l),flag)
    
    kc = initcen(x,k) #判断聚类中心和目标函数的值是否发生改变,若不变,则输出结果,若改变,则返回2)
    flag = True
    print(x,y,kc,flag)
    while flag:
        y = xclassify(x,y,kc)
        kc,flag = kcmean(x,y,kc,k)
    print(y,kc)
    

     运行结果:

    from sklearn.datasets import load_iris # 导入鸢尾花数据集,鸢尾花花瓣长度数据做聚类并用散点图显示
    iris = load_iris()
    datas = iris.data
    iris_length=datas[:,2]
    x = np.array(iris_length)  #用鸢尾花花瓣长度做分析
    y = np.zeros(x.shape[0])
    kc = initcen(x,3)
    flag = True
    while flag:
        y = xclassify(x,y,kc)
        kc,flag = kcmean(x,y,kc,3)
    print(kc,flag)
    import matplotlib.pyplot as plt  
    plt.scatter(iris_length, iris_length, marker='D', c=y, alpha=0.5)  #散点图
    plt.show()
    

     运行结果:

    from sklearn.cluster import KMeans  #用sklearn.cluster.KMeans,鸢尾花花瓣长度数据做聚类并用散点图显示
    iris_length = datas[:, 2:3]
    k_means = KMeans(n_clusters=3)
    result = k_means.fit(iris_length)
    kc1 = result.cluster_centers_
    y_kmeans = k_means.predict(iris_length)
    plt.scatter(iris_length,np.linspace(1,150,150),c=y_kmeans,marker='D')  #散点图
    plt.show()
    

     运行结果:

    k_means1 = KMeans(n_clusters=3)  #鸢尾花完整数据做聚类并用散点图显示
    result1 = k_means1.fit(datas)
    kc2 = result1.cluster_centers_
    y_kmeans1 = k_means1.predict(datas)
    
    print(y_kmeans1, kc2)
    print(kc2.shape, y_kmeans1.shape, datas.shape)
    
    plt.scatter(datas[:, 0], datas[:, 1], c=y_kmeans1, marker='p')
    plt.show()
    

     运行结果:

  • 相关阅读:
    前端布局定位
    CSS优化
    CSS工程化
    CSS过渡,动画,2D,3D转换
    CSS,盒子和美化技巧
    HTMl
    定位和布局
    CSS选择器
    八. 实时更新插件 livereload
    七. 浏览器插件 View in Browser
  • 原文地址:https://www.cnblogs.com/MIS-67/p/9886063.html
Copyright © 2011-2022 走看看