kmeans聚类算法应用实例

K-means是一种无监督学习算法，常用于数据聚类和图像分割。下面是一个K-means聚类算法的应用实例：

假设我们有一组包含1000个数据点的二维数据集，我们想将其分为3类。首先，我们使用随机数生成器生成1000个数据点，代码如下：

import numpy as np

np.random.seed(0)
X = np.random.randn(1000, 2) 

接下来，我们使用sklearn库中的KMeans模型进行聚类，代码如下：

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

最后，我们可以将结果可视化，将数据点按照所属类别用不同颜色标记出来，代码如下：

import matplotlib.pyplot as plt

plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.show()

这样我们就可以看到，K-means算法将数据点分为3类，并用不同的颜色标记出来。

相关问题

kmeans聚类算法python实例

KMeans 聚类算法是一种基于距离的聚类算法，用于将数据点分成若干组。在 Python 中，可以使用 scikit-learn 库中的 KMeans 函数来实现 KMeans 聚类算法。

以下是一个 Python 实现 KMeans 聚类算法的示例：

from sklearn.cluster import KMeans
import numpy as np

# 模拟数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 创建 KMeans 模型，并将数据聚类为两组
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

# 获取聚类结果
labels = kmeans.labels_

# 获取聚类中心
cluster_centers = kmeans.cluster_centers_

print("聚类结果：", labels)
print("聚类中心：", cluster_centers)

结果如下：

聚类结果： [0 1 0 1 0 1]
聚类中心： [[1. 2.]
 [4. 2.]]

kmeans聚类算法matlab实例

kmeans聚类算法是一种常用的无监督学习算法，可以将数据集分成k个簇，每个簇内的数据点相似度较高，不同簇之间的数据点相似度较低。在Matlab中，可以使用kmeans函数实现聚类分析。下面是一个简单的kmeans聚类算法的Matlab实例：

% 生成随机数据
data = rand(100,2);

% 设置聚类数
k = 3;

% 运行kmeans算法
[idx, C] = kmeans(data, k);

% 可视化聚类结果
figure;
scatter(data(:,1), data(:,2), 10, idx, 'filled');
hold on;
scatter(C(:,1), C(:,2), 50, 'k', 'filled');
title('Kmeans聚类结果');
legend('簇1', '簇2', '簇3', '聚类中心');

在这个例子中，我们首先生成了一个100行2列的随机数据集，然后设置聚类数为3。接着，我们使用kmeans函数运行kmeans算法，得到每个数据点所属的簇idx和聚类中心C。最后，我们使用scatter函数将聚类结果可视化。