k-means++聚类算法python实例

下面是一个使用k-means++聚类算法的Python实例：

import numpy as np
from sklearn.cluster import KMeans

# 生成随机数据
X = np.random.randn(100, 2)

# 使用k-means++聚类算法
kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=300, n_init=10, random_state=0)
pred_y = kmeans.fit_predict(X)

# 可视化聚类结果
import matplotlib.pyplot as plt

plt.scatter(X[:,0], X[:,1])
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red')
plt.show()

此代码将生成一个包含100个点的随机数据集，并使用k-means++聚类算法将其分成三个簇。最后，使用matplotlib库可视化聚类结果。

相关问题

K-Means聚类算法Python实例

好的，我可以帮你解决这个问题。K-Means聚类算法是一种常见的无监督学习算法，它可以将数据集分成K个簇。Python中有很多库可以实现K-Means算法，比如Scikit-Learn、NumPy和SciPy等。以下是一个使用Scikit-Learn实现K-Means聚类算法的Python示例代码：

from sklearn.cluster import KMeans
import numpy as np

# 创建一个数据集
X = np.array([[1, 2], [1, 4], [1, 0],
              [4, 2], [4, 4], [4, 0]])
# 创建KMeans模型并训练
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
# 预测每个样本的簇标签
labels = kmeans.predict(X)
# 打印每个样本的簇标签
print(labels)

这个示例代码将数据集分成了2个簇，并打印出每个样本的簇标签。你可以根据自己的需要修改代码来实现你的K-Means聚类算法。

K-means聚类算法python实例

K-means是一种常用的无监督学习聚类算法，它将数据集划分为K个互不相交的簇，每个簇内的数据点彼此相似，而簇与簇之间差异较大。以下是使用Python的sklearn库进行K-means聚类的一个简单示例：

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

# 假设我们有二维数据
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6],
              [9, 11], [10, 9], [12, 10], [14, 8], [13, 8]])

# 创建KMeans模型并设置簇的数量为3
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 预测数据点所属的簇
labels = kmeans.labels_

# 打印聚类中心
centroids = kmeans.cluster_centers_
print("Centroids:")
print(centroids)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', color='r')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('K-Means Clustering Result')
plt.show()

在这个例子中，我们首先创建了一个KMeans实例，并设定簇数为3。然后通过`fit`方法训练模型，得到每个数据点的聚类标签。最后，我们将聚类中心标记出来，并可视化结果。