鸢尾花数据集聚类结果可视化

最新推荐文章于 2024-04-29 07:00:00 发布
最新推荐文章于 2024-04-29 07:00:00 发布
阅读量236 收藏 2
点赞数
文章标签： 笔记
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/l21210150114/article/details/130422107
版权
该代码使用matplotlib和pandas对iris_cluster.csv数据集进行处理，将不同标签的鸢尾花数据点用不同颜色在二维平面上表示出来，进行了聚类后的可视化展示，分别用蓝色圆圈(bo)、红色星号(*)和绿色正方形(gD)代表三种鸢尾花类别。
摘要由CSDN通过智能技术生成

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False

df = pd.read_csv('iris_cluster.csv', index_col=0)
ls_labels = sorted(np.unique(df['labels']))
df1 = df[df['labels'] == ls_labels[0]]
df2 = df[df['labels'] == ls_labels[1]] 
df3 = df[df['labels'] == ls_labels[2]]  
fig = plt.figure(figsize=(9,6),dpi=200)                    ##设定空白画布为9*6，分辨率为200
plt.title("聚类二维可视化")                          #设置标题
plt.plot(df1.iloc[:,0],df1.iloc[:,1],'bo')
plt.plot(df2.iloc[:,0],df2.iloc[:,1],'r*')
plt.plot(df3.iloc[:,0],df3.iloc[:,1],'gD')
plt.legend(["setosa","versicolor","virginica"])                         #设置图例
plt.savefig('iris_cluster.png')

l21210150114
关注
使用kmeans对鸢尾花数据集聚类
m0_63054020的博客
07-19 793
【代码】使用kmeans对鸢尾花数据集聚类。
鸢尾花数据可视化
m0_57431551的博客
11-06 1361
根据鸢尾花花萼属性的相关性绘制散点图
鸢尾花数据集可视化.zip
09-24
复现鸢尾花数据集可视化分析
鸢尾花数据集的可视化
weixin_51121822的博客
11-17 5197
#TensorFlow实战 鸢尾花数据集的可视化化展示 文章目录前言一、介绍二、步骤1.引入库2.读入数据 前言 数据可视化展示能在实验中可视化展出实验结果，是基础部分 一、介绍 鸢尾花数据集是公开的数据集，可通过URL从TensorFlow的Keras连接下载。 二、步骤 1.引入库 代码如下（示例）： import numpy as np import pandas as pd import tensorflow as tf import matplotlib.pyplot as plt
【机器学习3】鸢尾花数据集可视化，让枯燥的数据颜值爆表!
2302_76305195的博客
08-07 4602
加窗平滑。
[Python] 机器学习 - 常用数据集(Dataset)之鸢尾花(Iris)数据集介绍，数据可视化和使用案例
热门推荐
老狼工作室的博客
01-25 1万+
本文主要通过Jupyter Notebook对鸢尾花数据集（Iris）进行读取，显示数据，并对数据可视化，最后使用该数据集来应用于K近邻算法线性回归分析。 1）读取数据包括scikit-learn库引入和读取.csv文件保存的数据集。 2）显示数据包括显示具体数据、查看整体数据信息、描述性统计。 3）数据可视化包括散点图、直方图、KDE图、箱线图等。 4）应用该数据集于scikit-learn的K近邻算法进行线性回归分析。
鸢尾花数据集iris.rar
12-11
鸢尾花数据集iris，机器学习可以用的到的 鸢尾花数据集iris，机器学习可以用的到的
自定义分裂函数实现鸢尾花数据集聚类并且可视化
06-02
自定义分裂函数实现鸢尾花数据集聚类并可视化的具体实现步骤如下： 1. 读取鸢尾花数据集，并进行数据预处理，如归一化等。 2. 初始化聚类簇，将每个样本点看作一个初始聚类簇。 3. 自定义分裂函数，将聚类簇分裂...
自定义分裂聚类函数实现鸢尾花数据集聚类并且可视化
06-02
好的，我可以帮你解决这个问题。首先，我们需要导入必要的库和鸢尾花数据集： ```python import pandas as pd ...这就是使用自定义分裂聚类函数实现鸢尾花数据集聚类并且可视化的过程。希望这可以帮助你解决问题。
分裂聚类实现鸢尾花数据集聚类并可视化
06-03
下面演示如何使用分裂聚类算法实现鸢尾花数据集聚类并可视化。 首先，我们需要导入必要的库和加载鸢尾花数据集。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from ...
鸢尾花数据集的低维可视化
qq_58286221的博客
10-17 650
获取鸢尾花数据集，采用PCA和t-SNE方法进行二维可视化，设置困惑度的三种不同取值(perplexity=5,30,300)观察可视化空间不同类别样本的分布情况。 参考接口函数： from sklearn.manifold import TSNE from sklearn.decomposition import PCA
机器学习之路：经典的鸢尾花数据集-数据清洗、标准化、特征降维和可视化
futurn_hero的博客
07-27 1829
学习过程中保持积极的学习态度和耐心，机器学习和深度学习是复杂的领域，需要持续学习和实践。目标任务：使用深度学习框架搭建一个更复杂的神经网络，并在一个数据集上进行训练和测试。目标任务：使用深度学习算法构建一个简单的神经网络模型，并训练模型。尝试在学习过程中动手实践，通过编写代码来加深对算法和原理的理解。目标任务：使用机器学习算法对一个简单的数据集进行数据预处理。目标任务：使用监督学习算法对一个分类问题进行建模和训练。学习机器学习基础：了解机器学习的定义、分类和基本原理。每天定期复习前几天的内容，巩固知识。
python数据分析和可视化【2】鸢尾花数据分析
weixin_63257947的博客
03-13 2053
读取iris数据集中鸢尾花的萼片、花瓣长度数据（已保存为csv格式），并对其进行排序、去重，并求出和、累计和、均值、标准差、方差、最小值、最大值。（2）查看鸢尾花数据集中有几种花瓣长度。（首先提取所有数据的花瓣长度，然后进行去重）2.获取数据:可利用csv模块进行读取，也可用其他方法进行读取。（3）求数据中花瓣长度的和，均值，方差，最小值及最大值。3.数据清理：对读取的数据进行处理（将索引号去掉等等）1.导入模块 (格式为import …（1）将鸢尾花数据集的花瓣长度进行排序。
机器学习基础算法20- 鸢尾花数据集分类-随机森林
qq_42749341的博客
08-20 1385
代码 # 鸢尾花数据分类-随机森林 # 结果为6个随机森林得到的结果 import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl from sklearn.ensemble import RandomForestClassifier # def iris_type(s): # it = {'Iris-setosa': 0, 'Iris-versicolor': 1
决策树对鸢尾花数据每两个特征组合的分类结果_Machine Learning(7)-DesicionTree决策树...
weixin_39825045的博客
11-29 484
决策树基本概念通过一系列节点判断，得到最终的结果。例如鸢尾花数据集，仅取两个特征： 决策树为非参数学习算法，天然的可解决多分类问题，不需使用OvR、OvO等策略。同样也可以解决回归问题。构建一个决策树，主要考虑2个问题：每个节点要在哪一个特征(维度)上进行划分？特征(维度)以阀值多少作为划分？主要流程：利用训练样本特征及真值，通过衡量算法求出每一个节点最佳特征及划分阀值，从而构建一颗决策树。衡量算...
聚类分析：使用Python对Iris数据集进行简单的K均值聚类
最新发布
m0_62110645的博客
04-29 817
鸢尾花数据集是一个经典的多变量数据集，由英国统计学家罗纳德·费舍尔于1936年收集。该数据集包含了150个样本，每个样本代表一种鸢尾花，共分为三类：山鸢尾（setosa）、变色鸢尾（versicolor）和维吉尼亚鸢尾（virginica）。每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。聚类分析是一种强大的数据分析技术，可以帮助我们发现数据集中的潜在结构和模式。通过本文的学习，读者可以掌握基本的聚类分析方法，并将其应用于自己的数据集中。
鸢尾花数据集的数据可视化
齐落山大勇的博客
07-08 2796
Python 常用的数据可视化方法;热力图、箱体图、气泡图、 柱状图、散点图
Python 鸢尾花的可视化
m0_67955661的博客
11-06 1686
plt.title('鸢尾花花瓣的长度和宽度') if each else plt.title('鸢尾花花萼的长度和宽度')plt.xlabel('花瓣的长度(cm)') if each else plt.xlabel('花萼的长度(cm)')plt.ylabel('花瓣的宽度(cm)') if each else plt.ylabel('花萼的宽度(cm)')
python数据分析与应用课后实训_python数据分析与应用
weixin_39753260的博客
11-28 1122
python数据分析与应用笔记使用sklearn构建模型1.使用sklearn转换器处理数据import numpy as npfrom sklearn.datasets import load_breast_cancerfrom sklearn.preprocessing import MinMaxScaler #该函数时对数据做标准化处理from sklearn.decomposition ...
Kmeans实现鸢尾花数据集聚类并可视化
06-03
好的，我可以为您介绍一下如何使用Kmeans算法来实现鸢尾花数据集的聚类，并进行可视化展示。 首先，我们需要导入必要的库，包括numpy，pandas，matplotlib和sklearn等。您可以使用以下代码来导入这些库： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets import load_iris ``` 然后，我们可以使用load_iris函数来加载鸢尾花数据集。这个函数将返回一个Bunch对象，其中包含数据集的特征和标签等信息。我们可以使用以下代码来加载数据集： ```python data = load_iris() X = data.data y = data.target ``` 接下来，我们可以使用KMeans算法来对数据集进行聚类。KMeans是一种无监督的学习算法，它可以将数据集中的样本分成指定数量的簇。我们可以使用以下代码来创建一个KMeans对象，并使用fit方法来训练模型： ```python kmeans = KMeans(n_clusters=3, random_state=0) kmeans.fit(X) ``` 在训练完成后，我们可以使用predict方法来预测每个样本所属的簇。然后，我们可以使用scatter函数来将预测结果可视化展示。我们可以使用以下代码来实现： ```python plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_) plt.xlabel('Sepal length') plt.ylabel('Sepal width') plt.title('KMeans clustering') plt.show() ``` 这将会展示一个散点图，其中每个点的颜色表示它所属的簇。您可以通过修改n_clusters参数的值来改变簇的数量，从而观察不同数量的簇对聚类效果的影响。 完整代码如下： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets import load_iris data = load_iris() X = data.data y = data.target kmeans = KMeans(n_clusters=3, random_state=0) kmeans.fit(X) plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_) plt.xlabel('Sepal length') plt.ylabel('Sepal width') plt.title('KMeans clustering') plt.show() ``` 希望这能对您有所帮助！
评论 2
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