聚类python案例

在Python中实现聚类的一个案例是使用MeanShift算法进行聚类。下面是一个完整的示例代码：

from numpy import unique
from numpy import where
from sklearn.datasets import make_classification
from sklearn.cluster import MeanShift
from matplotlib import pyplot

# 定义数据集
X, _ = make_classification(n_samples=1000, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1, random_state=4)

# 定义模型
model = MeanShift()

# 模型拟合与聚类预测
yhat = model.fit_predict(X)
# 检索唯一群集
clusters = unique(yhat)

# 为每个群集的样本创建散点图
for cluster in clusters:
    # 获取此群集的示例的行索引
    row_ix = where(yhat == cluster)
    # 创建这些样本的散布
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])

# 绘制散点图
pyplot.show()

相关问题

简单层次聚类python实现案例

以下是一个简单的层次聚类Python实现案例，使用`scipy`库中的`linkage`方法和`dendrogram`方法。

import numpy as np
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(4711)
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[100,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[50,])
X = np.concatenate((a, b),)

# 层次聚类
Z = linkage(X, 'ward')

# 绘制树状图
plt.figure(figsize=(25, 10))
dendrogram(Z)
plt.show()

在这个例子中，我们生成了两个高斯分布的随机数据，然后将它们合并成一个数据集`X`。使用`linkage`方法和`ward`参数进行层次聚类，并使用`dendrogram`方法绘制树状图。

输出的树状图可以帮助我们选择合适的聚类数目，从而得到最佳的聚类结果。

dbscan聚类算法python案例

可以回答这个问题。DBSCAN是一种基于密度的聚类算法，可以用于发现任意形状的聚类。在Python中，可以使用scikit-learn库中的DBSCAN类来实现。以下是一个简单的DBSCAN聚类算法Python案例：

from sklearn.cluster import DBSCAN
import numpy as np

# 创建数据集
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, .6], [9, 11]])

# 创建DBSCAN对象
dbscan = DBSCAN(eps=.3, min_samples=2)

# 训练模型
dbscan.fit(X)

# 打印聚类结果
print(dbscan.labels_)

输出结果为：

[     1  1 -1  2]

其中，-1表示噪声点，其它数字表示聚类的类别。