day09-K-means聚类

• k-means聚类是处理没有目标值的数据
• 目的是将数据分成指定数量的类别，即“物以类聚”
• k-means步骤
  1、随机设置K个特征空间内的点作为初始的聚类中心
  2、对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别
  3、接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）
  4、如果计算得出的新中心点与原中心点一样，那么结束，否则重新进行第二步过程

# coding=utf-8
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from sklearn.datasets import load_iris

def jl():

    # 获取数据
    # 已知有三类
    iris = load_iris()

    # 开始聚类
    km = KMeans(n_clusters=3)
    km.fit(iris.data)
    predict = km.predict(iris.data)
    print("聚类结果为：",predict)
    print("实际的结果为：",iris.target)

    # 轮廓系数的值区间为[-1,1]，越接近1结果越好，越接近-1结果越差
    print("轮廓系数为：",silhouette_score(iris.data,predict))

    return None


if __name__ == '__main__':
    jl()

结果：

聚类结果为： [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 2 2 2 2 1 2 2 2 2
 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 1 1 2 2 2 2 2 1 2 2 2 2 1 2 2 2 1 2 2 2 1 2
 2 1]
实际的结果为： [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]
轮廓系数为： 0.5528190123564091

Process finished with exit code 0