手写聚类算法对乳腺癌数据集分析

乳腺癌数据集是一个经典的机器学习数据集，由于其数据量较小，适合用手写聚类算法进行分析。

下面是一个简单的手写聚类算法对乳腺癌数据集分析的步骤：

1. 数据预处理：将乳腺癌数据集转化为一个二维数组，其中每一行代表一个样本，每一列代表一个特征。

2. 初始化中心点：随机选择k个样本作为初始中心点，k为聚类的个数。

3. 计算距离：计算每个样本到每个中心点的距离，使用欧几里得距离或者曼哈顿距离等。

4. 分配样本：将每个样本分配到距离最近的中心点所在的簇中。

5. 更新中心点：计算每个簇的平均值，将其作为该簇的新中心点。

6. 重复步骤3-5，直到中心点不再改变或达到最大迭代次数。

7. 输出结果：输出每个样本所属的簇。

下面是一个示例代码：

import numpy as np
import pandas as pd

# 加载数据集
data = pd.read_csv('breast_cancer.csv')

# 数据预处理
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 定义聚类数和最大迭代次数
k = 2
max_iter = 100

# 初始化中心点
centers = X[np.random.choice(len(X), k, replace=False)]

# 迭代聚类
for i in range(max_iter):
    # 计算距离
    distances = np.linalg.norm(X[:, np.newaxis, :] - centers, axis=-1)
    # 分配样本
    labels = np.argmin(distances, axis=1)
    # 更新中心点
    for j in range(k):
        centers[j] = np.mean(X[labels == j], axis=0)

# 输出结果
print(labels)

需要注意的是，由于聚类算法是一种无监督学习方法，没有真实标签可以用来评估聚类结果的好坏。因此，一般需要使用一些内部评估指标（如轮廓系数）来评估聚类的性能。