kmeans算法python实现

K-means算法是一种聚类算法，用于将数据集分为若干簇。它通过不断迭代来找到k个簇的质心，并将数据分配到最近的质心所在的簇中。

Python中，可以使用Scikit-Learn库来实现K-means算法。以下是一个简单的代码示例：

from sklearn.cluster import KMeans
import numpy as np

# 创建数据集
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 实例化KMeans
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 获取簇标签
labels = kmeans.labels_

# 获取质心
cluster_centers = kmeans.cluster_centers_

# 输出结果
print("簇标签：", labels)
print("质心：", cluster_centers)

这个代码将数据分为两个簇，并打印出簇标签和质心的结果。

相关问题

kmeans算法Python实现

好的，下面是kmeans算法Python实现的代码：

import numpy as np

class KMeans:
    def __init__(self, k=3, max_iter=100):
        self.k = k
        self.max_iter = max_iter
        
    def fit(self, X):
        self.centroids = X[np.random.choice(X.shape[0], self.k, replace=False)]
        
        for i in range(self.max_iter):
            clusters = [[] for _ in range(self.k)]
            
            for x in X:
                distances = [np.linalg.norm(x - c) for c in self.centroids]
                clusters[np.argmin(distances)].append(x)
                
            prev_centroids = self.centroids.copy()
            
            for j, cluster in enumerate(clusters):
                if len(cluster) > 0:
                    self.centroids[j] = np.mean(cluster, axis=0)
            
            if np.allclose(self.centroids, prev_centroids):
                break
                
    def predict(self, X):
        distances = np.array([np.linalg.norm(X - c, axis=1) for c in self.centroids])
        return np.argmin(distances, axis=0)

其中，`fit`方法用于训练模型，输入`X`为训练数据，随机初始化`k`个中心点，使用欧几里得距离将样本点分配到最近的中心点所在的簇中，并重新计算每个簇的中心点。重复执行以上步骤，直到中心点不再变化或者达到最大迭代次数。`predict`方法用于预测新的数据点所属的簇。

kmeans算法python实现可视化

kmeans算法是一种聚类算法，可以将数据集分成k个簇。Python中有很多库可以实现kmeans算法，比如scikit-learn、numpy等。可视化可以使用matplotlib库来实现，可以将聚类结果以散点图的形式展示出来，不同颜色的点代表不同的簇。此外，还可以使用seaborn库来进行更加美观的可视化。