利用sklearn.cluster实现k均值聚类

最新推荐文章于 2024-07-16 13:15:48 发布
最新推荐文章于 2024-07-16 13:15:48 发布
阅读量1.4w 收藏 43
点赞数 5
分类专栏： 机器学习 文章标签： skilearn 聚类 k-means算法 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hisun_Gwen/article/details/72884606
版权
本文介绍了k-means算法的基本思想和sklearn.cluster.KMeans类的使用，包括主要参数、属性和方法。通过sklearn.datasets.make_blobs生成测试数据，展示了k-means聚类的编程框架。
摘要由CSDN通过智能技术生成

一、k-mean算法介绍
1.主要思想:在给定聚类簇数（K值）【n_clusters】和K个初始类簇中心（通常从数据集中随机选取k个数据）的情况下，历遍数据集中的每个数据点，而数据点距离哪个类簇中心（cluster centers）最近，就把该数据点分配到这个类簇中心点所代表的类簇中；所有数据点分配完毕之后，根据类簇内的所有点重新计算每个类簇的中心点(计算簇中的所用点的均值并将均值作为新的簇质心)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数【max_iter】。
注意：簇中心=簇质心
2.算法使用说明：
优点：容易实现
缺点：可能收敛到局部最小值(受到初始簇中心的影响)，在大规模数据集上收敛较慢(每次迭代均需要历遍数据集中的每一个数据样本，且迭代次数默认值为300)
使用数据类型：数值型数据
二、sklearn库的使用：
关于如何使用sklearn.cluster.KMeans的官方文档:
http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html#sklearn.cluster.KMeans

   在scikit-learn中，包括两个K-Means的算法，一个是传统的K-Means算法，对应的类是KMeans。
   另一个是基于采样的Mini Batch K-Means算法，对应的类是MiniBatchKMeans。

1.1 KMeans类主要参数
sklearn.cluster.KMeans(）
这里写图片描述
参数说明：

最低0.47元/天 解锁文章
Hisun_Gwen
关注
  • 5
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
K-Means聚类算法 【sklearn.cluster】
R
06-22 1387
classsklearn.cluster.KMeans(n_clusters=8,*,init='kmeans++',n_init=10,max_iter=300,tol=0.0001, precompute_distances='deprecated',verbose=0,random_state=None,copy_x=True,n_jobs='deprecated',algorithm='auto') 参数： 1、 n_clusters: 聚类类别数量，也是初始聚类中心的...
基于python中的sklearn.cluster库做k-means聚类
09-11
本程序是在python中完成，基于sklearn.cluster中的k-means聚类包来实现数据的聚类，对于里面使用的数据格式如下：（注意更改程序中的相关参数） 138 0 124 1 127 2 129 3 119 4 127 5 124 6 120 7 123 8 147 9 188 10 212 11 229 12 240 13 240 14 241 15 240 16 242 17 174 18 130 19 132 20 119 21 48 22 37 23 49 0 42 1 34 2 26 3 20 4 21 5 23 6 13 7 19 8 18 9 36 10 25 11 20 12 19 13 19 14 5 15 29 16 22 17 13 18 46 19 15 20 8 21 33 22 41 23 69 0 56 1 49 2 40 3 52 4 62 5 54 6 32 7 38 8 44 9 55 10 70 11 74 12 105 13 107 14 56 15 55 16 65 17 100 18 195 19 136 20 87 21 64 22 77 23 61 0 53 1 47 2 33 3 34 4 28 5 41 6 40 7 38 8 33 9 26 10 31 11 31 12 13 13 17 14 17 15 25 16 17 17 17 18 14 19 16 20 17 21 29 22 44 23 37 0 32 1 34 2 26 3 23 4 25 5 25 6 27 7 30 8 25 9 17 10 12 11 12 12 12 13 7 14 6 15 6 16 12 17 12 18 39 19 34 20 32 21 34 22 35 23 33 0 57 1 81 2 77 3 68 4 61 5 60 6 56 7 67 8 102 9 89 10 62 11 57 12 57 13 64 14 62 15 69 16 81 17 77 18 64 19 62 20 79 21 75 22 57 23 73 0 88 1 75 2 70 3 77 4 73 5 72 6 76 7 76 8 74 9 98 10 90 11 90 12 85 13 79 14 79 15 88 16 88 17 81 18 84 19 89 20 79 21 68 22 55 23 63 0 62 1 58 2 58 3 56 4 60 5 56 6 56 7 58 8 56 9 65 10 61 11 60 12 60 13 61 14 65 15 55 16 56 17 61 18 64 19 69 20 83 21 87 22 84 23 41 0 35 1 38 2 45 3 44 4 49 5 55 6 47 7 47 8 29 9 14 10 12 11 4 12 10 13 9 14 7 15 7 16 11 17 12 18 14 19 22 20 29 21 23 22 33 23 34 0 38 1 38 2 37 3 37 4 34 5 24 6 47 7 70 8 41 9 6 10 23 11 4 12 15 13 3 14 28 15 17 16 31 17 39 18 42 19 54 20 47 21 68 22
聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用
weixin_30520015的博客
11-05 138
1.用python实现K均值算法 K-means是一个反复迭代的过程，算法分为四个步骤： （x,k,y) 1） 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心； def initcenter(x, k): kc 2） 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类； def nea...
学习sklearn聚类使用
最新发布
qq_20182781的博客
07-16 225
轮廓系数（1，-1）：只使用聚类的数据，它计算的是每个数据样本与同簇数据样本和其它簇数据样本之间的相似度，因为从平均来看，与同簇比较起来，比其它簇更相似。1.kmeans与高斯需要指定簇的数量(n_clusters=2,n_components=2)；参考：1.Machine.Learning.An.Algorithmic.Perspective.2nd.Edition.2.图中可以看出高斯的评估指标最好，其次是均值漂移，k均值与层次较差。2.同质性：值：0-1，每个簇是否只包含同一个类别的样本。
sklearn机器学习：K均值聚类
成都往右的博客
02-17 4840
K-Means 均值聚类聚类算法可以说是最简单但是使用最广的一种聚类算法了，原理也简单易懂，sklearn中提供了很多聚类算法的实现，所以这里就学习一下K-Means算法。
k均值聚类算法优缺点_机器学习算法之K均值聚类使用sklearn
weixin_39667652的博客
11-26 507
K - 均 值 聚 类1、sklearn.cluster简介 使用 sklearn.cluster 模块里的 KMeans 函数即可实现K均值聚类。同样，函数中参数众多。具体如下：n_clusters：生成的聚类数，即产生的质心(centroids)数。默认为8init：指定初始化方法。有三个可选值：’k-means++’， ‘random’，或者传递一个 ndarray...
kmeans聚类算法python实现鸢尾花数据集,聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用...
weixin_39622710的博客
03-16 2025
1.用python实现K均值算法K-means是一个反复迭代的过程，算法分为四个步骤：(x,k,y)1) 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；def initcenter(x, k): kc2) 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类；def nearest(kc, x[i]): jd...
聚类算法学习----之----sklearn.cluster.KMeans
xiaoQL520的博客
10-18 1万+
聚类算法学习----之----sklearn.cluster.KMeans
K-Means聚类算法演示及可视化展示123456789#导入包from sklearn.cluster import KMeansX = [[0.0888, 0.5885],
jh035512的博客
11-28 637
自然语言处理的核心概念之一是如何量化单词和表达式，以便能够在模型环境中使用它们。语言元素到数值表示的这种映射称为词嵌入。Word2Vec是一个词嵌入过程。这个概念相对简单：通过一个句子一个句子地在语料库中循环去拟合一个模型，根据预先定义的窗口中的相邻单词预测当前单词。为此，它使用了一个神经网络，但实际上最后我们并不使用预测的结果。一旦模型被保存，我们只保存隐藏层的权重。在我们将要使用的原始模型中，有300个权重，因此每个单词都由一个300维向量表示。请注意，两个单词不必彼此接近的地方才被认为是相似的。
kMeans_k均值聚类_K均值_Kmeans_K._
09-29
《深入理解K均值聚类：从Python实现到应用实践》 K均值聚类（K-Means Clustering）是机器学习领域中一种广泛应用的无监督学习算法，主要用于数据的分类与聚类。它的核心思想是通过迭代过程将数据点分配到最近的聚类...
使用scikit-learn进行KMeans文本聚类
xiedelong的博客
07-25 4238
使用scikit-learn进行KMeans文本聚类 K-Means算法：中文名字叫做K-均值算法，算法的目的是将n个向量分别归属到K个中心点里面去。算法首先会随机选择K个中心向量，然后通过迭代计算以及重新选择K个中心向量，使得n个向量各自被分配到距离最近的K中心点，并且所有向量距离各自中心点的和最小。 步骤一：在输入数据集里面随机选择k个向量作为初始中心点。 步骤二：将每个向量...
K均值聚类算法(K-Means)算法及其Python代码实现
RSociopath的博客
03-09 3703
聚类算法作为一种无监督学习方法其主要目的是将未标注的数据集中的样本划分为若干个不相干的子集，这些子集被称为簇(cluster)。聚类算法通过计算各个样本之间的相似性来将具有类似特征的的数据点划分到同一个簇中。其主要被应用于用户画像、广告推荐、图像分割以及降维等方向。（二）K-Means聚类算法K-means聚类算法是一种最简单的无监督学习算法，属于基于划分的聚类算法，是数据挖掘的十大经典算法之一。算法的主要思想是利用距离作为两个数据点相似性的评价指标，把得到紧凑且独立的簇作为最终目标。
Sklearn.cluster
kakak_的博客
04-08 845
KMeans n_clusters: 即k值，一般需要多试一些值以获得较好的聚类效果。 max_iter： 最大的迭代次数，一般如果是凸数据集的话可以不管这个值，如果数据集不是凸的，可能很难收敛，此时可以指定最大的迭代次数让算法可以及时退出循环。 n_init：用不同的初始化质心运行算法的次数。由于K-Means是结果受初始值影响的局部最优的迭代算法，因此需要多跑几次以选择一个较好的聚类效果...
【机器学习】Sklearn-cluster聚类方法
热门推荐
小白兔的窝
07-31 2万+
Classes1 各种聚类方法特性汇总： sklearn.cluster.KMeans from sklearn.cluster import KMeans KMeans(n_clusters=8,init='k-means++',n_init=10,max_iter=300,tol=0.0001,precompute_distances='auto',verbose=0,random_...
sklearn实现k-means聚类算法
Mekeater的博客
05-03 1万+
sklearn实现k-means聚类算法 前言： 调用sklearn.cluster包中KMeans库可以很方便的实现k-means聚类算法，本文举一个简单的例子介绍如何使用sklearn进行l-means聚类 一、使用sklearn实现k-means聚类的代码 import numpy as np import matplotlib.pyplot as plt from sklearn.clu...
k-means算法（DBSCAN算法），聚类算法
起飞的木木的博客
03-25 6618
一、K-means算法是最经典的聚类算法（无监督学习）， 本文对scikit-learn中的kmeans进行说明，以便以后使用。 首先：k-means算法的优劣如下 优势：简单，快速，适合常规数据集 劣势：K值难确定，复杂度与样本呈线性关系，很难发现任意形状的簇（针对凸数据集效果较好： 在欧氏空间中，凸集是对于集合内的每一对点，连接该对点的直线段上的每个点也在该集合内。凹集则不满...
K-means聚类
James_bobo的博客
09-11 1091
import numpy as np import huang import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets import make_blobs plt.figure(figsize=(12, 12)) n_samples = 1500 random_s...
利用K均值聚类算法对自己创建的数据集进行聚类，并利用兰德系数检验聚类效果，给出最终正确率
06-07
好的，我们可以按照以下步骤进行： 1. 创建一个数据集，包含不同的类别和特征。 2. 使用K均值聚类算法对数据进行聚类。 3. 使用兰德系数检验聚类效果。 4. 计算聚类的正确率。 下面是一个简单的 Python 代码示例： ```python from sklearn.datasets import make_classification from sklearn.cluster import KMeans from sklearn.metrics import adjusted_rand_score # 创建一个数据集 X, y = make_classification(n_samples=1000, n_features=10, n_classes=4, n_clusters_per_class=1, n_informative=4, random_state=42) # 使用K均值聚类算法进行聚类 kmeans = KMeans(n_clusters=4, random_state=42) y_pred = kmeans.fit_predict(X) # 使用兰德系数检验聚类效果 ari = adjusted_rand_score(y, y_pred) print("Adjusted Rand Index:", ari) # 计算聚类的正确率 accuracy = sum(y == y_pred) / len(y) print("Accuracy:", accuracy) ``` 在这个例子中，我们使用 `sklearn.datasets` 中的 `make_classification` 函数创建了一个包含 4 个类别的数据集，并使用 `sklearn.cluster` 中的 `KMeans` 类对数据进行聚类。我们使用 `sklearn.metrics` 中的 `adjusted_rand_score` 函数计算聚类效果，并使用简单的计算方法计算聚类的正确率。 注意：由于 K 均值聚类算法是一种无监督学习算法，因此我们不能使用数据集中的标签来训练算法。在这个例子中，我们仅仅是将标签用于计算聚类的正确率。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值