我写的那个聚类备忘

1.选初始点的时候是不是可以先sort一下

1.初始中心的选取,可以<key--- value1,value2,value3...>
如果value1>key的话,则不选value1, value2,value3....雷同

2.聚合和拆分
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是使用`sklearn.cluster.KMeans`类实现k-means聚类的Python代码例子: ```python from sklearn.cluster import KMeans import numpy as np # 生成随机数据 X = np.random.rand(100, 2) # 实例化KMeans类 kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=300, random_state=0) # 进行聚类 kmeans.fit(X) # 打印聚类结果 labels = kmeans.labels_ print(labels) # 打印聚类中心 centroids = kmeans.cluster_centers_ print(centroids) ``` 在上面的代码中,我们首先生成了一组随机数据,然后实例化了一个KMeans类,指定了聚类数、初始值计算方法、最大迭代次数和随机数种子等参数。接下来,我们调用`fit()`方法对数据进行聚类,并获取聚类结果和质心位置。 值得注意的是,KMeans类的输入数据`X`应该是一个形状为`(n_samples, n_features)`的数组,其中`n_samples`表示样本数,`n_features`表示每个样本的特征数。在聚类过程中,KMeans类将使用欧几里得距离作为默认的距离度量方式,来计算每个样本到各个聚类中心的距离。如果需要使用其他距离度量方式,则可以通过指定`metric`参数来实现。 最后,我们打印出聚类结果和计算得到的质心。在这个例子中,我们使用了最简单的质心更新方式,即取聚类中所有样本的平均值作为新的质心。当然,在实际应用中,还可以使用其他更为复杂的质心更新方式,以达到更好的聚类效果。
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