第十章 k-均值算法 10.4 对地图上的点进行聚类

Dr_David_S

于 2016-12-27 10:28:42 发布

阅读量7.5k

点赞数 2

分类专栏：《机器学习实战》文章标签： python 机器学习

本文链接：https://blog.csdn.net/qq_27469517/article/details/53886697

版权

博客内容介绍了如何运用k-均值算法对地图上的点进行聚类，以优化交通工具的调度，使得人们能步行到达簇内的地址。文章讨论了通过调整簇的数量观察聚类效果，并对无监督学习中的聚类进行了概述，特别是k-均值算法的工作原理，包括初始化随机质心、点的分配以及质心的更新。此外，还提到了二分k-均值算法作为提高聚类质量的一种方法。

摘要由CSDN通过智能技术生成

将地图上的点进行聚类，安排交通工具抵达这些簇的质心，然后步行到每个簇内地址。

这里我们直接用给出的文件进行操作，跳过10.4.1节。

添加代码：

def distSLC(vecA, vecB): # 返回地球表面两点之间的距离
    a = sin(vecA[0,1] * pi / 180) * sin(vecB[0,1] * pi / 180)
    b = cos(vecA[0,1] * pi / 180) * cos(vecB[0,1] * pi / 180) * \
                        cos(pi * (vecB[0,0] - vecA[0,0]) / 180)
    return arccos(a + b) * 6371.0

import matplotlib
import matplotlib.pyplot as plt
def clusterClubs(numClust = 5): # 画图，参数为希望得到的簇数目
    datList = []
    for line in open('places.txt').readlines():
        lineArr = line.split('\t')
        datList.append([float(lineArr[4]), float(lineArr[3])])