K-mean算法python代码

以下是K-mean算法的Python代码：

import numpy as np

def k_means(X, k, max_iters=100):
    m, n = X.shape
    centroids = X[np.random.choice(m, k, replace=False), :]
    for i in range(max_iters):
        idx = np.argmin(np.sum((X - centroids[:, np.newaxis])**2, axis=2), axis=)
        centroids = np.array([X[idx == j].mean(axis=) for j in range(k)])
    return centroids, idx

希望对您有帮助！

相关问题

k-mean聚类算法python

K-Means聚类算法是一种常用的无监督机器学习方法，用于将一组数据集划分为预设数量（k）的簇或类别。在Python中，我们通常使用scikit-learn库来实现K-Means。以下是K-Means的基本步骤和Python代码示例：

1. **数据准备**：首先，确保你的数据是数值型的，并且已经准备好进行聚类。

2. **初始化质心**：随机选择k个数据点作为初始簇的质心（centroids）。

3. **迭代过程**：
a. **分配到最近的簇**：对于每个数据点，计算其与所有质心的距离，将其分配到距离最近的簇。
b. **更新质心**：根据当前簇内的所有数据点重新计算新的质心位置。

4. **收敛判断**：如果所有数据点的簇归属没有变化或者达到预定的迭代次数，算法停止；否则返回步骤3。

5. **结果展示**：输出最终的聚类结果和质心。

以下是一个简单的Python代码示例：

from sklearn.cluster import KMeans
import numpy as np

# 假设你有一个二维数组data
data = np.array([[...], [...], ...])  # 需要替换为实际数据

# 设置聚类数
k = 3

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

# 训练模型
kmeans.fit(data)

# 获取聚类结果
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

# 输出结果
print("Labels:", labels)
print("Centroids:", centroids)

k-means算法 python实现

k-means算法是一种常用的聚类算法，它通过将样本点划分为K个不同的簇而被广泛应用。下面是用Python实现k-means算法的步骤：

1. 初始化：选择K个随机的中心点作为初始的聚类中心。
2. 分配：对于每个样本点，计算其与各个聚类中心的距离，并将样本点分配给距离最近的聚类中心。
3. 更新：对于每个聚类，计算其所有样本点的均值，将该均值作为新的聚类中心。
4. 重复步骤2和3，直到聚类中心不再发生变化或达到预定的迭代次数。

以下是Python代码实现k-means算法的伪代码：

1. 导入相关的库：
   import numpy as np
   
2. 定义k-means函数：
   def k_means(data, K, max_iter):
       centroids = np.random.choice(data, K)  # 随机选择K个聚类中心
       for _ in range(max_iter):
           clusters = [[] for _ in range(K)]  # 初始化K个簇
           for point in data:
               distances = [np.linalg.norm(point - centroid) for centroid in centroids]  # 计算样本点和各个聚类中心的距离
               cluster_idx = np.argmin(distances)  # 找到距离最近的聚类中心的索引
               clusters[cluster_idx].append(point)  # 将样本点分配给距离最近的簇
           new_centroids = [np.mean(cluster, axis=0) for cluster in clusters]  # 计算新的聚类中心
           if np.all(centroids == new_centroids):  # 判断是否收敛
               break
           centroids = new_centroids  # 更新聚类中心
       return clusters, centroids

3. 调用k-means函数：
   clusters, centroids = k_means(data, K, max_iter)

其中，`data`是输入的样本数据，`K`是簇的个数，`max_iter`是最大迭代次数。返回的`clusters`是分配好的样本点簇的列表，`centroids`是最终得到的聚类中心点的坐标。