k均值聚类python代码

下面是一个简单的 k 均值聚类的 Python 代码示例：

import numpy as np
from sklearn.cluster import KMeans

# 随机生成数据
X = np.random.rand(100, 2)

# 创建一个 KMeans 对象，指定聚类数量为 3
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_

# 获取聚类中心
centers = kmeans.cluster_centers_

这段代码使用了 `sklearn` 库中的 `KMeans` 类来实现 k 均值聚类算法。首先，我们随机生成了一个 100 行、2 列的数据矩阵 `X`。然后，我们创建了一个 `KMeans` 对象，并将聚类数量设置为 3。接下来，我们用 `fit` 方法训练模型，并用 `labels_` 属性获取聚类结果，用 `cluster_centers_` 属性获取聚类中心。

相关问题

K均值聚类python代码

我可以提供一个K均值聚类的Python代码示例： from sklearn.cluster import KMeans # 导入KMeans模型 # 创建KMeans模型，并设置聚类中心数量为3
kmeans = KMeans(n_clusters=3)
# 将数据拟合到模型中
kmeans.fit(data)
# 计算聚类中心
centroids = kmeans.cluster_centers_
# 计算每个点的预测类别
labels = kmeans.labels_

k均值聚类python源码 鸢尾花

k均值聚类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。下面是一个使用Python实现k均值聚类的示例代码：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data

# 创建KMeans对象并进行聚类
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

# 打印聚类结果
for i in range(len(X)):
    print("样本点 ", X[i], " 属于簇 ", labels[i])

# 打印聚类中心点
print("聚类中心点：")
for centroid in centroids:
    print(centroid)

上述代码使用了`sklearn`库中的`KMeans`类来实现k均值聚类。首先，我们加载了鸢尾花数据集，并将其存储在变量`X`中。然后，我们创建了一个`KMeans`对象，并指定了要划分的簇数为3。接下来，我们使用`fit`方法对数据进行聚类，并通过`labels_`属性获取每个样本点所属的簇标签。最后，我们打印了每个样本点的簇标签和聚类中心点。