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(1,100,[20,1]) #在1-100范围中产生20行1列的随机数组 y=np.zeros(20) k=3
#取数据中k个对象为初始中心,每个对象代表一个聚类中心 def initcenter(x,k): return x[:k] kc=initcenter(x,k) kc
#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； def nearest(kc,i): #数组中的值，与聚类中心最小距离所在类别的索引号d=(abs(kc-i))w=np.where(d==np.min(d))return w[0][0] def xclassify(x,y,kc): #对每个数据进行循环，将分类的结果放进对应y位置中for i in range(x.shape[0]):y[i]=nearest(kc,x[i])return y
#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； def kcmean(x,y,kc,k):l=list(kc)flag=Falsefor c in range(k):print(c)m=np.where(y==c)print(m,x[m])n=np.mean(x[m])print(kc[c],n)if l[c]!=n:kc[c]=n #这个值没赋上print(type(kc),kc[c])l[c]=nflag=True #聚类中心发生变化print(l,flag)return(np.array(l),flag) flag=True print("x值为",x,"y值为",y,"kc值为",kc,"flag值为",flag)
#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） while flag:y = xclassify(x,y,kc)kc, flag = kcmean(x,y,kc,k)print(y,kc,type(kc)) print(x,y)
#鸢尾花花瓣长度数据做聚类并用散点图显示 import matplotlib.pyplot as plt plt.scatter(x,x,c=x,s=50,cmap="rainbow"); plt.show()
#鸢尾花花瓣长度数据做聚类并用散点图显示。 import numpy as np from sklearn.datasets import load_iris iris=load_iris() x=iris.data[:,1] y=np.zeros(150)def initcenter(x,k): #初始聚类中心数组return x[0:k].reshape(k)def nearest(kc,i): #数组中的值，与聚类中心最小距离所在类别的索引号d = (abs(kc-i))w = np.where(d == np.min(d))return w[0][0]def xclassify(x,y,kc):for i in range(x.shape[0]): #对数组的每个值进行分类，shape[0]读取矩阵第一维度的长度y[i] = nearest(kc,x[i])return ydef kcmean(x,y,kc,k): #计算各聚类新均值l = list(kc)flag = Falsefor c in range(k):print(c)m = np.where(y == c)n=np.mean(x[m])if l[c] != n:l[c] = nflag = True #聚类中心发生变化print(l,flag)return (np.array(l),flag)k = 3 kc = initcenter(x,k)flag = True print(x,y,kc,flag)
#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 while flag:y = xclassify(x,y,kc)kc, flag = kcmean(x,y,kc,k)print(y,kc,type(kc))print(x,y) import matplotlib.pyplot as plt plt.scatter(x,x,c=y,s=50,cmap="Paired"); plt.show()
#用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类并用散点图显示 import matplotlib.pyplot as plt import numpy as np from sklearn.datasets import load_irisiris = load_iris() X = iris.data Xfrom sklearn.cluster import KMeansest = KMeans(n_clusters = 3) est.fit(X) kc = est.cluster_centers_ y_kmeans = est.predict(X) #预测每个样本的聚类索引print(y_kmeans,kc) print(kc.shape,y_kmeans.shape,np.shape)plt.scatter(X[:,0],X[:,1],c=y_kmeans,s=50,cmap='rainbow'); plt.show()

 

 

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/h000/p/9865044.html

总结

以上是生活随笔为你收集整理的聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。