python 初始化一个4维向量_人工智能算法——K均值聚类算法Python实现

好的，下面是 Python 实现初始化一个 4 维向量和 K 均值聚类算法：

import random

# 初始化一个 4 维向量
def init_vector():
    return [random.uniform(0, 1) for _ in range(4)]

# 计算两个向量之间的距离
def dist(vec1, vec2):
    return sum([(v1 - v2)**2 for v1, v2 in zip(vec1, vec2)])

# K 均值聚类算法
def kmeans(data, k):
    # 随机初始化 k 个聚类中心
    centers = [init_vector() for _ in range(k)]
    # 初始化每个样本所属的聚类中心的编号
    labels = [0] * len(data)
    while True:
        # 分配样本到最近的聚类中心
        for i, vec in enumerate(data):
            min_dist = float('inf')
            for j, center in enumerate(centers):
                d = dist(vec, center)
                if d < min_dist:
                    min_dist = d
                    labels[i] = j
        # 更新聚类中心
        new_centers = [[0] * 4 for _ in range(k)]
        counts = [0] * k
        for i, vec in enumerate(data):
            c = labels[i]
            for j in range(4):
                new_centers[c][j] += vec[j]
            counts[c] += 1
        for i in range(k):
            for j in range(4):
                new_centers[i][j] /= counts[i]
        # 判断是否收敛
        if centers == new_centers:
            break
        centers = new_centers
    return labels

这段代码中，`init_vector()` 函数用于初始化一个 4 维向量，`dist()` 函数用于计算两个向量之间的距离，`kmeans()` 函数实现了 K 均值聚类算法。在 `kmeans()` 函数中，首先随机初始化 k 个聚类中心，然后不断迭代，分配每个样本到最近的聚类中心，更新聚类中心，直到聚类中心不再变化为止。函数返回每个样本所属的聚类中心的编号。