吴恩达-机器学习-k-means聚类算法

目录

吴恩达-机器学习2022版 k-means聚类算法实现整理

1.核心函数四个:

1.find_closest_centroids    :寻找最近的质心

2.compute_centroids    :迭代重新计算质心

3.kMeans_init_centroids    :随机初始化质心

4.run_kMeans   :执行k-means算法

2.实例:使用k-means算法对图片像素进行压缩 255色压缩到1色

1.代码

2.运行结果


吴恩达-机器学习2022版 k-means聚类算法实现整理

1.核心函数四个:

import numpy as np
import matplotlib.pyplot as plt

1.find_closest_centroids    :寻找最近的质心

#寻找最近的质心
def find_closest_centroids(X, centroids):

    K = centroids.shape[0]
    idx = np.zeros(X.shape[0], dtype=int)
    
    for i in range(X.shape[0]):
        distance = []        
        for j in range(K):         
            norm_ij = np.linalg.norm(X[i] - centroids[j])
            distance.append(norm_ij)           
        idx[i] = np.argmin(distance)
   
    return idx

2.compute_centroids    :迭代重新计算质心

def compute_centroids(X, idx, K):
    
    m, n = X.shape
    centroids = np.zeros((K, n))   
    
    for k in range(K):
        points = X[idx == k] 
        centroids[k] = np.mean(points, axis = 0)
    
    return centroids

3.kMeans_init_centroids    :随机初始化质心

def kMeans_init_centroids(X, K):
    
    randidx = np.random.permutation(X.shape[0])
    centroids = X[randidx[:K]]
    
    return centroids

4.run_kMeans   :执行k-means算法

def run_kMeans(X, initial_centroids, max_iters=10, plot_progress=False):
    
    m, n = X.shape
    K = initial_centroids.shape[0]
    centroids = initial_centroids
    previous_centroids = centroids    
    idx = np.zeros(m)
    
    for i in range(max_iters):     
        print("K-Means iteration %d/%d" % (i, max_iters-1))       
        idx = find_closest_centroids(X, centroids)      
        if plot_progress:
            plot_progress_kMeans(X, centroids, previous_centroids, idx, K, i)
            previous_centroids = centroids
            
        centroids = compute_centroids(X, idx, K)
    plt.show() 
    return centroids, idx


2.实例:使用k-means算法对图片像素进行压缩 255色压缩到1色

1.代码

#进行图片压缩
#读取图片
original_img = plt.imread('bird_small.png')
#数据标准化 使像素值全部落在0-1之间
original_img = original_img / 255

X_img = np.reshape(original_img, (original_img.shape[0] * original_img.shape[1], 3))
K = 16                       
max_iters = 10               

initial_centroids = kMeans_init_centroids(X_img, K) 
centroids, idx = run_kMeans(X_img, initial_centroids, max_iters) 
X_recovered = centroids[idx, :] 
X_recovered = np.reshape(X_recovered, original_img.shape) 

fig, ax = plt.subplots(1,2, figsize=(8,8))
plt.axis('off')

#展示原图片
ax[0].imshow(original_img*255)
ax[0].set_title('Original')
ax[0].set_axis_off()

#展示压缩后图片
ax[1].imshow(X_recovered*255)
ax[1].set_title('Compressed with %d colours'%K)
ax[1].set_axis_off()

2.运行结果

 

 

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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