sklearn库 k-means代码实现

以下是使用sklearn库实现k-means聚类的代码：

from sklearn.cluster import KMeans
import numpy as np

# 生成随机数据
X = np.random.rand(100, 2)

# 创建KMeans对象，指定聚类数为3
kmeans = KMeans(n_clusters=3)

# 进行聚类
kmeans.fit(X)

# 打印聚类结果
print(kmeans.labels_)

上述代码中，首先生成了100个二维随机数据点，然后创建了一个KMeans对象，将聚类数设置为3，最后对数据进行聚类。输出结果是每个数据点所属的聚类标签，即0、1、2中的一个。

相关问题

sklearn库 k-means代码实现并画出散点图

以下是使用sklearn库实现k-means算法并画出散点图的代码：

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

# 生成随机数据
np.random.seed(0)
X = np.random.rand(50, 2)

# 使用k-means算法进行聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 画出聚类结果的散点图
colors = ['r', 'b', 'g']
for i in range(len(X)):
    plt.scatter(X[i][0], X[i][1], c=colors[kmeans.labels_[i]], s=50)
    
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], c='black', s=100, alpha=0.5)
plt.title('K-means Clustering')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

这段代码首先生成了一个包含50个二维随机数据点的数据集X，然后使用KMeans类进行k-means聚类，将数据集分为3个聚类簇。最后，使用matplotlib库画出聚类结果的散点图，其中每个数据点的颜色表示其所属的聚类簇，黑色圆点表示聚类簇的中心点。运行代码，可以得到如下的聚类结果图：


给出代码，使用sklearn实现k-means聚类算法

以下是使用sklearn实现k-means聚类算法的代码示例：

from sklearn.cluster import KMeans
import numpy as np

# 生成随机数据
X = np.random.rand(100, 2)

# 构建k-means模型
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 预测聚类结果
labels = kmeans.predict(X)

# 打印聚类中心和聚类结果
print(kmeans.cluster_centers_)
print(labels)

在上面的代码中，我们首先生成了一个包含100个样本的二维随机数据集，然后构建了一个k-means聚类模型。接着，我们使用KMeans类的fit方法对模型进行训练，并使用predict方法对数据集进行聚类预测。最后，我们打印出聚类中心和聚类结果。

需要注意的是，sklearn的KMeans类有很多其他的参数可以设置，例如聚类中心的初始值、最大迭代次数等，这些参数可以根据具体需求进行调整。