Python 实现 K-means 聚类算法示例代码

K-means 聚类算法 python 代码实现 K-means 聚类算法是最常用的无监督学习算法之一，它可以将样本数据分配到不同的簇中，从而实现数据的分类和聚类。在 Python 中，我们可以使用 Scikit-learn 库来实现 K-means 聚类算法。下面是使用 Python 实现 K-means 聚类算法的示例代码： 首先，我们需要导入必要的库，包括 NumPy、Scikit-learn 和 Matplotlib。NumPy 库提供了强大的数组操作功能，Scikit-learn 库提供了 K-means 聚类算法的实现，Matplotlib 库提供了数据可视化功能。 ``` import numpy as np from sklearn.cluster import KMeans import matplotlib.pyplot as plt ``` 接下来，我们创建了一个包含 6 个样本的二维数组 X。 ``` X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]]) ``` 然后，我们使用 Scikit-learn 库创建了一个 K-means 模型，并将其拟合到样本数据上。我们指定了 `n_clusters=2` 来设置聚类的数量为 2。 ``` kmeans = KMeans(n_clusters=2) kmeans.fit(X) ``` 接下来，我们使用训练好的模型获取聚类中心和样本的标签。 ``` centers = kmeans.cluster_centers_ labels = kmeans.labels_ ``` 最后，我们使用 Matplotlib 库将样本和聚类中心可视化出来，其中标签为 0 的样本用红色表示，标签为 1 的样本用蓝色表示，聚类中心用绿色星号表示。 ``` for i in range(len(labels)): plt.scatter(X[i][0], X[i][1], c=('r' if labels[i]==0 else 'b')) plt.scatter(centers[:, 0], centers[:, 1], marker='*', color='g', s=200) plt.show() ``` 在这个示例中，我们使用 K-means 聚类算法将样本数据分配到两个簇中，并将结果可视化出来。请确保在运行代码之前安装了 NumPy、Scikit-learn 和 Matplotlib 库。 K-means 聚类算法的优点包括： * 高效：K-means 聚类算法可以快速处理大规模数据集。 * 简单：K-means 聚类算法的实现非常简单，易于理解和实现。 然而，K-means 聚类算法也存在一些缺陷： * 敏感于初始值：K-means 聚类算法的结果可能会受到初始值的影响。 * 不适合非球形分布：K-means 聚类算法假设数据分布是球形的，但是在实际应用中，数据分布可能是非球形的。 K-means 聚类算法是一种非常有用的无监督学习算法，可以应用于数据挖掘、 Pattern Recognition 和机器学习等领域。