机器学习-sklearn.cluster：Clustering的使用

import random

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据集（100个二维数据）
X = []
for _ in range(100):
    x = random.random()
    y = random.random()
    X.append([x, y])

# 创建一个聚类器并训练模型（分成3类）
kmeans = KMeans(n_clusters=3, random_state=215275).fit(X)

# 获取聚类结果（标签和中心）
labels = kmeans.labels_
centers = kmeans.cluster_centers_

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='x', color='red')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('K-means Clustering')
plt.show()

心得：

1.sklearn.cluster 模块提供了多种聚类算法的实现，以上代码是调用cluster中的kmeans算法.

2.KMeans有这些参数：

n_clusters：整数值，指定要聚类的簇的数量。

init：字符串或可调用对象，指定初始化质心的方法。默认为 "k-means++"，表示使用智能初始方法。也可以使用字符串 "random" 表示随机初始化，或者传递一个自定义初始化方法。

n_init：整数值，指定多次重新初始化的次数。每次重新初始化都会运行完整的 K-means 算法，并返回最好的结果。默认为 10。

max_iter：整数值，指定最大迭代次数，即运行算法的最大迭代次数。默认为 300。

tol：浮点数值，指定收敛的阈值。当连续两次迭代之间的平均质心移动小于该值时，算法被认为已经收敛。默认为 1e-4。

algorithm：字符串，指定计算簇质心的算法。可以是 "auto"（自动选择最适合的算法），"full"（使用传统的 K-means 算法），或 "elkan"（使用更快的 Elkan 算法）。默认为 "auto"。

random_state：整数值或 RandomState 实例，指定随机数生成器的种子。

verbose：整数值，控制详细程度输出的冗余程度。默认为 0，表示不输出任何信息。

3.聚类的最好展示方式就是通过matplotlib绘图展示。