kmeans聚类算法代码

以下是Python实现的k-means聚类算法代码：

import numpy as np

def kmeans(X, k, max_iterations=100):
    # 随机初始化聚类中心
    centroids = X[np.random.choice(len(X), k, replace=False)]
    for i in range(max_iterations):
        # 分配样本到最近的聚类中心
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        cluster_assignment = np.argmin(distances, axis=0)
        # 更新聚类中心
        for j in range(k):
            centroids[j] = X[cluster_assignment == j].mean(axis=0)
    return centroids, cluster_assignment

其中，X是一个n×m的矩阵，表示有n个样本，每个样本有m个特征。k表示聚类的数目，max_iterations表示最大迭代次数。函数返回聚类中心和每个样本所属的聚类编号。

相关问题

kmeans聚类算法代码python

以下是kmeans聚类算法的Python代码：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters=100):
    centroids = X[np.random.choice(len(X), K, replace=False)]
    for i in range(max_iters):
        C = np.argmin(np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2)), axis=)
        new_centroids = np.array([X[C == k].mean(axis=) for k in range(K)])
        if np.allclose(centroids, new_centroids):
            break
        centroids = new_centroids
    return C, centroids

# 生成数据
np.random.seed()
X = np.vstack([np.random.randn(100, 2) + [2, 2], np.random.randn(100, 2) + [-2, -2], np.random.randn(100, 2) + [2, -2]])
# 聚类
C, centroids = kmeans(X, 3)
# 可视化
plt.scatter(X[:, ], X[:, 1], c=C)
plt.scatter(centroids[:, ], centroids[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

该代码实现了kmeans聚类算法，其中X为输入数据，K为聚类数目，max_iters为最大迭代次数。函数返回聚类结果C和聚类中心centroids。代码中还包括了一个简单的数据生成和可视化过程。

kmeans聚类算法代码jupyter

K-means是一种常用的无监督机器学习算法，用于数据集的分群。下面是一个简单的Python KMeans聚类算法的Jupyter Notebook代码示例：

# 导入必要的库
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 假设我们有一个二维数据集
X = np.random.rand(100, 2)  # 生成随机数据点

# 初始化KMeans模型
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 预测数据点所属的簇
labels = kmeans.labels_

# 绘制原始数据点和聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red', label='Centroids')
plt.title('K-means Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

#