3d k-means聚类分析

3D K-means聚类分析是一种基于距离的无监督学习方法，用于将具有三个维度的数据点划分为K个不同的类别。该方法通过计算数据点之间的距离来确定它们的相似性，并将相似的数据点划分为同一类别。

以下是一个示例代码，演示了如何使用3D K-means聚类分析对数据进行分类：

import numpy as np
from sklearn.cluster import KMeans

# 生成示例数据
data = np.random.rand(100, 3)  # 生成100个三维数据点

# 创建KMeans模型并进行聚类
kmeans = KMeans(n_clusters=3)  # 设置聚类的类别数为3
kmeans.fit(data)  # 对数据进行聚类

# 获取聚类结果
labels = kmeans.labels_  # 获取每个数据点所属的类别

# 打印聚类结果
for i in range(len(data)):
    print("Data point:", data[i], "Cluster:", labels[i])

这段代码首先生成了100个随机的三维数据点，然后使用`KMeans`模型对数据进行聚类，将数据划分为3个不同的类别。最后，打印出每个数据点所属的类别。

相关问题

k-means聚类算法matlab实现多维矩阵的聚类

下面是一个示例matlab代码，实现了多维矩阵的k-means聚类算法：

% 生成一个5x3x2的三维矩阵
data = rand(5,3,2);

% 将三维矩阵转换为二维矩阵
data2d = reshape(data, [], size(data, 3));

% 设置聚类个数
k = 2;

% 使用k-means算法进行聚类
[idx, centroids] = kmeans(data2d, k);

% 将聚类结果重新转换为三维矩阵
idx3d = reshape(idx, size(data, 1), size(data, 2));

% 显示聚类结果
disp('聚类结果：');
disp(idx3d);

在上述代码中，首先生成一个大小为5x3x2的三维矩阵，然后将其转换为一个大小为30x2的二维矩阵。接着，使用k-means算法对二维矩阵进行聚类，得到聚类结果和聚类中心。最后，将聚类结果重新转换为3维矩阵并显示出来。

streamlit，鸢尾花数据作k-means聚类

以下是使用Streamlit和Python编写的鸢尾花数据的K-Means聚类应用程序。

import streamlit as st
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
import plotly.express as px

# 加载数据
@st.cache(allow_output_mutation=True)
def load_data():
    data = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data", header=None)
    data.columns = ["sepal_length", "sepal_width", "petal_length", "petal_width", "class"]
    return data

# 聚类模型训练
def cluster_data(data, num_clusters):
    X = data.iloc[:, :-1].values
    kmeans = KMeans(n_clusters=num_clusters, init='k-means++')
    kmeans.fit(X)
    data['cluster'] = kmeans.labels_
    return data

# 主函数
def main():
    st.title("Iris Data K-Means Clustering")
    st.sidebar.title("Parameters")
    st.set_option('deprecation.showPyplotGlobalUse', False)

    # 加载数据
    data = load_data()

    # 显示原始数据
    st.subheader("Raw Data")
    st.write(data)

    # 显示数据摘要
    st.subheader("Data Summary")
    st.write(data.describe())

    # 选择聚类数量
    num_clusters = st.sidebar.slider("Select number of clusters", 2, 10)

    # 训练聚类模型
    clustered_data = cluster_data(data, num_clusters)

    # 显示聚类后的数据
    st.subheader("Clustered Data")
    st.write(clustered_data)

    # 绘制聚类图表
    fig = px.scatter_3d(clustered_data, x="sepal_length", y="petal_length", z="sepal_width", color="cluster")
    st.plotly_chart(fig)

if __name__ == "__main__":
    main()

在运行应用程序时，您将看到一个侧边栏，用于选择聚类数量。选择聚类数量后，应用程序将显示原始数据、数据摘要、聚类后的数据和聚类图表。


您可以在这里找到完整的代码和数据文件： https://github.com/streamlit/demo-iris-app