聚类Python代码
时间: 2024-05-18 20:10:30 浏览: 7
聚类是一种无监督学习算法,它可以将相似的数据点划分为同一组或同一类别。在Python中,实现聚类算法的常用工具包包括Scikit-learn和Keras等。
以下是一个使用Scikit-learn实现K-means聚类算法的Python代码示例:
```python
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]])
# 创建K-means聚类模型
kmeans = KMeans(n_clusters=2, random_state=0)
# 训练模型
kmeans.fit(X)
# 输出每个数据点所属的聚类中心
print(kmeans.labels_)
# 输出聚类中心的坐标
print(kmeans.cluster_centers_)
```
在以上代码中,首先创建了一个包含6个数据点的数据集X,然后使用Scikit-learn的KMeans类创建了一个K-means聚类模型。该模型的参数包括n_clusters(指定聚类中心数量)和random_state(随机种子)。接着,训练模型并输出每个数据点所属的聚类中心和聚类中心的坐标。
相关问题
层次聚类 python代码
层次聚类是一种基于树形结构的聚类算法,它通过计算样本之间的相似度来构建一棵树形结构,树的叶子节点就是样本,而树的根节点则是所有样本的最近公共祖先。层次聚类分为两种:自上而下的聚合式层次聚类和自下而上的分裂式层次聚类。
下面是一个使用 Python 实现层次聚类的简单示例代码:
```python
import numpy as np
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt
# 生成随机数据
X = np.random.rand(10, 2)
# 计算相似度矩阵
Z = linkage(X, 'ward')
# 绘制树状图
fig = plt.figure(figsize=(25, 10))
dn = dendrogram(Z)
plt.show()
```
在这个示例中,我们使用 numpy 库生成了一个包含 10 个样本,每个样本有两个特征的随机数据集。然后使用 scipy 库中的 linkage 函数计算相似度矩阵,并选择使用 Ward 方法进行层次聚类。最后使用 matplotlib 库绘制树状图。
层级聚类python代码
层级聚类是一种无监督学习算法,用将数据集中的样本分成不同的聚类。下面是一个使用Python实现层级聚类的示例代码:
```python
import numpy as np
from scipy.cluster.hierarchy import linkage, dendrogram
import matplotlib.pyplot as plt
# 创建一个样本数据集
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
# 使用层级聚类算法进行聚类
Z = linkage(X, method='ward')
# 绘制树状图
plt.figure(figsize=(10, 5))
dendrogram(Z)
plt.title('Hierarchical Clustering Dendrogram')
plt.xlabel('Sample Index')
plt.ylabel('Distance')
plt.show()
```
在这个示例代码中,我们首先创建了一个样本数据集`X`,其中包含了6个样本,每个样本有两个特征。然后,我们使用`linkage`函数对数据集进行层级类,指定了`method='ward'`表示使用ward方法来计算距离。最后,我们使用`dendrogram`函数绘制了树状图,展示了聚类的结果
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.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)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)