kmeans聚类算法实例

Kmeans聚类算法是一种常用的无监督学习算法，用于将数据集划分为k个不同的簇。其算法流程如下：首先选择聚类的个数k，然后随机产生k个聚类中心或直接生成k个中心。接下来，对每个数据点确定其所属的聚类中心，并计算每个聚类的新中心。重复以上步骤直到满足收敛要求，通常是当聚类中心不再改变时。\[1\]

下面是一个使用Kmeans聚类算法的简单案例代码：

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 创建数据集X
X = ...

# 尝试不同的聚类个数
for k in range(2, 6):
    # 使用Kmeans聚类算法进行聚类
    y_pred = KMeans(n_clusters=k, random_state=9).fit_predict(X)
    
    # 可视化聚类结果
    plt.scatter(X\[:, 0\], X\[:, 1\], c=y_pred)
    plt.show()

在这个案例中，我们使用了sklearn库中的KMeans类来进行聚类，通过传入不同的聚类个数k，可以观察到不同的聚类结果。\[2\]\[3\]
#### 引用[.reference_title]
- *1* *2* [Kmeans算法及简单案例](https://blog.csdn.net/m0_47482052/article/details/128548935)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [K-means聚类的实现以及案例讲解](https://blog.csdn.net/A496608119/article/details/115225919)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]