聚类，肘部曲线，聚类中心

最新推荐文章于 2023-11-30 14:13:35 发布

小杨变老杨

最新推荐文章于 2023-11-30 14:13:35 发布

阅读量596

点赞数

文章标签：聚类机器学习 python

本文链接：https://blog.csdn.net/m0_67084346/article/details/125290460

版权

本文通过实例展示了如何使用K-means算法进行数据聚类，并通过绘制肘部曲线找出最佳聚类数K。首先，通过设置不同的K值训练模型，计算模型的代价；然后，创建肘部曲线帮助选择最优K值；最后，用选定的K值训练模型并对测试数据进行预测。

摘要由CSDN通过智能技术生成

#1. 拿到数据（x）
# 2.设定k[1,10]分别得到不同kmeans模型的代价
# 3.画肘部曲线
# 4.找到最优K
# 5.用最优k训练新的kmeans模型
# 6.实现测试数据聚类预测
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

# 2.设定k[1,10]分别得到不同kmeans模型的代价
def curve(x):
    k_list=[]#横轴数据记录
    inertia_list=[]#纵轴数据记录
    for i in range(10):
        k=i+1
        #声明一个类别为当前k值的kmeans模型
        model=KMeans(n_clusters=k)
        #用数据训练
        model.fit(x)
        k_list.append(k)#记录当前k值
        inertia_list.append(model.inertia_)#记录当前模型损失值
    plt.plot(k_list,inertia_list,c='g')
    plt.scatter(k_list,inertia_list,c='r')
    plt.title('肘部曲线')
    plt.xlabel('K值')
    plt.ylabel('距离平方和J')
    #给点加标注
    for i in range(10):
        plt.annotate(str(k_list[i]),xy=(k_list[i],inertia_list[i]),
                     textcoords='offset points',xytext=(+1,+5),fontsize=15)
    plt.show()
#画样本点和聚类中心
def sample_center(x,k,kmeans_model):
    sample_mark=['or','ob','og','oy','ok']#样本点样式库
    center_mark=['Dr','Db','Dg','Dy','Dk']#聚类中心样式库 (D代表方块)
    center_vec=kmeans_model.cluster_centers_  #获取聚类中心的坐标
    sample_label=kmeans_model.predict(x) #预测每个样本点所属聚类中心索引,即类别标签
    #画样本点
    for i in range(len(x)):
        plt.plot(x[i,0],x[i,1],sample_mark[sample_label[i]])
    #画聚类中心
    for j in range(k):
        plt.plot(center_vec[j,0],center_vec[j,1],center_mark[j],markersize=20)
    plt.show()
#1. 拿到数据（x）
x=np.loadtxt(r'./test.txt')
plt.scatter(x[:,0],x[:,1])
plt.show()
# 3.画肘部曲线
curve(x)
#确定最优k值
k=4
#4.声明一个新的kmeans模型对x进行训练
kmeans_model=KMeans(n_clusters=k)
kmeans_model.fit(x)
#5.画出样本点x,并根据类别标签上色:所属聚类中心的索引
#画出聚类中心:聚类中心的坐标
sample_center(x,k,kmeans_model)