K-Means鸢尾花数据代码

K-Means是一种常用的无监督机器学习算法，用于将数据集分成预设数量的类别（簇）。对于鸢尾花数据集（Iris dataset），这是一个经典的示例，通常用它来展示聚类分析的应用。以下是使用Python的scikit-learn库进行K-Means聚类的基本步骤：

# 导入所需的库
from sklearn import datasets
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征向量
y = iris.target  # 类别标签（这里是数字，方便后续可视化）

# 设定K值（比如3，因为鸢尾花有三种）
k = 3

# 初始化KMeans模型
kmeans = KMeans(n_clusters=k)

# 训练模型
kmeans.fit(X)

# 获取每个样本所属的簇中心
labels = kmeans.labels_

# 绘制结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red')
plt.title("K-Means Clustering on Iris Dataset")
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

相关问题

使用k-means对鸢尾花数据进行分类

好的，针对您的问题，以下是使用K-means对鸢尾花数据进行分类的步骤：

1. 加载数据集：使用Python的sklearn库中的load_iris()函数加载鸢尾花数据集。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data

2. 数据预处理：将数据集进行标准化处理，使得每个特征的均值为0，方差为1。

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)

3. 训练模型：使用KMeans算法对标准化后的数据进行分类。

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)

4. 分类结果可视化：使用matplotlib库将分类结果可视化。

import matplotlib.pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

上述代码中，n_clusters参数是指需要将数据分成的类别数。

这就是使用K-means对鸢尾花数据进行分类的步骤。

用matlab使用使用K-means对鸢尾花数据进行分类

好的，以下是使用 MATLAB 实现 K-means 对鸢尾花数据进行分类的步骤：

1. 载入数据

使用 MATLAB 自带的 load 函数载入鸢尾花数据集：

load fisheriris
X = meas;

2. 数据预处理

对数据进行标准化处理，使每个特征的均值为0，方差为1：

X = zscore(X);

3. 选择 K 值

通过手肘法或轮廓系数法等方法选择最优的 K 值。

这里我们假设已经确定了 K=3。

4. 运行 K-means

使用 MATLAB 自带的 kmeans 函数运行 K-means 算法：

[idx, C] = kmeans(X, 3);

其中 idx 是每个样本所属的类别标签，C 是每个类别的中心点。

5. 可视化结果

使用 MATLAB 自带的 scatter 函数将分类结果可视化：

gscatter(X(:,1), X(:,2), idx)
hold on
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3)
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids')

这样就可以得到一个图像，其中不同颜色的点表示不同的类别，黑色的叉号表示每个类别的中心点。

完整代码如下：

load fisheriris
X = meas;
X = zscore(X);
[idx, C] = kmeans(X, 3);
gscatter(X(:,1), X(:,2), idx)
hold on
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3)
legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids')

希望以上内容能对你有所帮助！