Kmeans聚类分析

本文介绍了如何使用K-Means算法对数据进行欧式距离聚类,步骤包括选取初始中心点、重新计算中心并划分组别,直至所有点不再变化。作者给出了Python代码实例,展示了如何用sklearn库在银行数据集上执行KMeans聚类。
摘要由CSDN通过智能技术生成

欧式距离

定义

第一步:随机找三个点作为中心,计算每个点到这3个中心点的距离,分成最初的三个组

第二步:重新计算三个组的中心点X.MEAN() Y.MEAN(),再重新计算每个点到三个点的距

重新分成3个组。

第三步:重复第二步,指导所有的点不再变化。

A到B的欧式距离:

代码:

improt sklearn.cluster  as sc

model = sc.KMeans(n_clusters = 4)

X = pd.read_excel(r"C:\Users\99205\Desktop\数据集\bankdata.xlsx")

model.fit(X)

labels = model.labels_#获取样本聚类后的标签

centers = model.cluster_centers_ #获取样本聚类的中心点

评论 1
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