广州大学实验报告：Python实现K-means聚类算法

"该资源是广州大学计算机科学与网络工程学院软件实验室的一份实验报告，由李子轩同学完成。实验内容是用C++实现k-means聚类算法，对iris数据集进行处理并可视化。实验中使用了Python的pandas、numpy和matplotlib库。报告详细介绍了k-means算法的步骤，包括选择簇个数k、计算样本点到簇中心的距离、更新簇中心以及迭代直到簇中心不再移动。" 在k-means聚类算法中，有几个关键的知识点需要深入理解： 1. **簇个数k的选择**：k值的选择对聚类结果有直接影响。在实验中，由于iris数据集的类别共有三种，因此k值被固定为3。通常，k值的确定可以基于领域知识或者通过肘部法则、轮廓系数等方法来估计。 2. **样本点到“簇中心”的距离**：k-means算法中常用欧氏距离作为样本点与簇中心之间距离的度量。对于每个样本，计算它与所有簇中心之间的距离，然后将其分配给最近的簇。这一步骤是k-means算法迭代的基础。 3. **更新“簇中心”**：在每个迭代过程中，簇中心是由该簇内所有样本点的平均值决定的。一旦样本点被分配到某个簇，就计算该簇所有点的特征向量的均值，这个均值就是新的簇中心。这一过程有助于优化簇的结构，使得簇内的样本更加聚集。 4. **迭代过程**：k-means算法的核心在于不断迭代，直到簇中心的位置不再显著变化或达到预设的迭代次数。在每次迭代中，样本点可能会被重新分配到不同的簇，进而影响簇中心的计算。当满足停止条件时，算法结束，得到最终的聚类结果。 实验报告中提到，数据预处理包括将iris数据集的class类转换为数值型，并选择了花萼面积和花瓣面积作为特征进行可视化。使用Python的pandas库处理数据，numpy库进行数值计算，matplotlib库绘制散点图，以直观展示聚类结果。 在实验中，通过可视化散点图可以观察不同k值下的聚类效果，比如聚类为2类、3类、4类和5类，分析哪种聚类划分更合理。此外，还可以计算类中心和类半径，以评估聚类的紧密程度和分布情况。由于实验要求不使用C++基础库以外的API，所以k-means算法的实现可能涉及到自定义函数。 总结来说，这个实验报告详细描述了k-means聚类算法的实现过程，包括数据预处理、算法核心步骤、结果可视化和分析，提供了一个实际应用案例来理解和掌握k-means算法。