python k-means聚类代码
时间: 2023-08-01 12:13:25 浏览: 59
下面是一个使用sklearn库实现KMeans聚类算法的Python代码示例:
```python
from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt
# 生成随机数据集
np.random.seed(0)
X = np.random.randn(100, 2)
# 使用KMeans聚类算法
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()
```
该代码首先生成了一个二维的随机数据集X,然后使用KMeans聚类算法将数据集分为3类。最后绘制了聚类结果,其中每个点的颜色表示其所属的类别,红色的x表示每个类别的中心点。
相关问题
k-means聚类python代码
以下是一个简单的k-means聚类的Python代码示例:
```python
import numpy as np
from sklearn.cluster import KMeans
# 生成数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# k-means 聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
# 聚类结果
print(kmeans.labels_)
```
在这个例子中,我们生成了一个 6x2 的数据集 X,其中每一行代表一个样本点。我们使用 sklearn 库中的 KMeans 类执行聚类,将数据分成两个集群。最后,我们打印出每个样本点所属的类别标签。
请注意,k-means算法会在每次运行时给出不同的结果,因为它的初始化是随机的。因此,我们可以通过设置 random_state 参数来控制随机种子,以便在每次运行时获得相同的结果。
k-means聚类算法python代码
### 回答1:
K-means聚类算法是一种常用的聚类算法,Python可以使用sklearn库中的KMeans类来实现该算法。下面是一个简单的Python代码示例:from sklearn.cluster import KMeans# 创建KMeans模型
kmeans = KMeans(n_clusters=3, random_state=0)# 训练模型
kmeans.fit(data)# 预测结果
labels = kmeans.predict(data)
### 回答2:
K-means聚类算法是一种常用的无监督学习算法,用于将样本数据分成K个不同的类簇。下面是一个用Python实现的简单K-means聚类算法示例:
```
import numpy as np
# 定义K-means聚类算法函数
def k_means(data, k, max_iter=100):
# 随机选择k个初始中心点
centers = np.random.choice(len(data), k, replace=False)
labels = np.zeros(len(data))
for _ in range(max_iter):
# 计算每个样本距离最近的中心点
for i, sample in enumerate(data):
min_dist = float('inf')
for j, center in enumerate(centers):
dist = np.linalg.norm(sample - data[center])
if dist < min_dist:
min_dist = dist
labels[i] = j
# 更新中心点
new_centers = []
for i in range(k):
cluster_samples = [data[j] for j in range(len(data)) if labels[j] == i]
new_center = np.mean(cluster_samples, axis=0)
new_centers.append(new_center)
# 如果中心点不再变化,停止迭代
if np.array_equal(centers, new_centers):
break
centers = new_centers
return labels
# 示例数据
data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# 调用K-means聚类算法
labels = k_means(data, k=2)
print("聚类结果:", labels)
```
以上代码实现了一个简单的K-means聚类算法,并应用于一个二维数据集。函数`k_means`接受三个参数:`data`表示输入的数据集,`k`表示聚类的类别数,`max_iter`表示最大迭代次数(默认为100)。函数的输出是一个数组`labels`,表示每个数据点所属的类别。
在示例数据中,根据设置的`k=2`进行聚类,最终输出每个数据点所属的类别。
### 回答3:
k-means聚类算法是一种常用的聚类方法,其原理是将数据集划分为k个簇,每个簇内的数据点与该簇的质心距离最小。以下是一个简单的k-means聚类算法的Python代码示例:
```python
import numpy as np
def kmeans(X, k, max_iters=100):
# 随机初始化k个质心
centroids = X[np.random.choice(range(len(X)), k, replace=False)]
for _ in range(max_iters):
# 计算每个样本点到质心的距离,并分配到最近的簇
distances = np.linalg.norm(X[:, np.newaxis] - centroids, axis=2)
labels = np.argmin(distances, axis=1)
# 更新质心位置为簇内样本点的均值
for i in range(k):
centroids[i] = np.mean(X[labels == i], axis=0)
return labels, centroids
# 示例数据集
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# 调用k-means算法进行聚类,设定k=2
labels, centroids = kmeans(X, k=2)
# 打印聚类结果
print(labels) # 打印每个样本点所属的簇
print(centroids) # 打印最终的质心位置
```
上述代码中,首先随机初始化k个质心,然后循环迭代求解每个样本点与质心的距离,并将其分配到最近的簇。然后,更新每个簇内样本点的均值作为新的质心位置,迭代直至满足最大迭代次数。最后,返回每个样本点所属的簇和最终的质心位置。在上述示例中,我们使用了一个简单的二维数据集,并设定k=2进行聚类。最后的聚类结果为两个子簇的标签(0或1)以及对应的质心位置。
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)