用python写一段学习向量量化代码

以下是一个简单的学习向量量化代码示例，使用Python实现：

import numpy as np

class LVQ:
    def __init__(self, k, alpha):
        self.k = k  # 聚类数量
        self.alpha = alpha  # 学习率
        self.centers = None  # 聚类中心

    def fit(self, X, y, epochs):
        self.centers = X[np.random.choice(X.shape[0], self.k, replace=False)]
        for epoch in range(epochs):
            for i, x in enumerate(X):
                # 计算距离并找到最近的聚类中心
                distances = np.sum((x - self.centers) ** 2, axis=1)
                j = np.argmin(distances)
                # 更新最近的聚类中心
                if y[i] == j:
                    self.centers[j] += self.alpha * (x - self.centers[j])
                else:
                    self.centers[j] -= self.alpha * (x - self.centers[j])

    def predict(self, X):
        distances = np.sum((X[:, np.newaxis] - self.centers) ** 2, axis=2)
        return np.argmin(distances, axis=1)

该代码定义了一个名为`LVQ`的类，它包含三个方法：`__init__`、`fit`和`predict`。其中，`__init__`用于初始化聚类数量`k`和学习率`alpha`，`fit`用于训练LVQ模型并更新聚类中心，`predict`用于预测样本所属的聚类。

在`fit`方法中，首先随机选择`k`个数据点作为初始聚类中心，然后迭代训练`epochs`次。每次迭代中，对于每个输入样本`x`，计算它与所有聚类中心的距离，并找到距离最近的聚类中心`j`。如果`x`属于聚类`j`，则将聚类中心`j`向`x`的方向移动一步；否则，将聚类中心`j`离`x`的方向移动一步。

在`predict`方法中，对于输入样本`X`，计算它们与所有聚类中心的距离，并返回距离最近的聚类的索引。

使用示例：

# 生成一些随机数据
X = np.random.rand(100, 2)
y = np.random.randint(0, 2, size=100)

# 训练LVQ模型
lvq = LVQ(k=2, alpha=0.1)
lvq.fit(X, y, epochs=100)

# 预测新数据点的聚类
X_new = np.random.rand(10, 2)
y_pred = lvq.predict(X_new)