KMeans算法之鸢尾花聚类

最新推荐文章于 2024-02-06 19:46:51 发布
VIP文章 最新推荐文章于 2024-02-06 19:46:51 发布
阅读量8.8k 收藏 86
点赞数 9
分类专栏： python 数据挖掘 文章标签： python 聚类 机器学习
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/qq_37587948/article/details/106962128
版权 
# 导入数据
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 数据实例化
iris = load_iris() 
iris.data

array([[5.1, 3.5, 1.4, 0.2],
       [4.9, 3. , 1.4, 0.2],
       [4.7, 3.2, 1.3, 0.2],
       [4.6, 3.1, 1.5, 0.2],
       [5. , 3.6, 1.4, 0.2],
       [5.4, 3.9, 1.7, 0.4],
       [4.6, 3.4, 1.4, 0.3],
       [5. , 3.4, 1.5, 0.2],
       [4.4, 2.9, 1.4, 0.2],
       [4.9, 3.1, 1.5, 0.1],
       [5.4, 3.7, 1.5, 0.2],
       [4.8, 3.4, 1.6, 0.2],
       [4.8, 3. , 1.4, 0.1],
       [4.3, 3. , 1.1, 0.1],
       [5.8, 4. , 1.2, 0.2],
       [5.7, 4.4, 1.5, 0.4],
       [5.4, 3.9, 1.3, 0.4],
       [5.1, 3.5, 1.4, 0.3],
       [5.7, 3.8, 1.7, 0.3],
       [5.1, 3.8, 1.5, 0.3],
       [5.4, 3.4, 1.7, 0.2],
       [5.1, 3.7, 1.5, 0.4],
       [4.6, 3.6, 1. , 0.2],
       [5.1, 3.3, 1.7, 0.5],
       [4.8, 3.4, 1.9, 0.2],
       [5. , 3. , 1.6, 0.2],
       [5. , 3.4, 1.6, 0.4],
       [5.2, 3.5, 1.5, 0.2],
       [5.2, 3.4, 1.4, 0.2],
       [4.7, 3.2, 1.6, 0.2],
       [4.8, 3.1, 1.6, 0.2],
       [5.4, 3.4, 1.5, 0.4],
       [5.2, 4.1, 1.5, 0.1],
       [5.5, 4.2, 1.4, 0.2],
       [4.9, 3.1, 1.5, 0.2],
       [5. , 3.2, 1.2, 0.2],
       [5.5, 3.5, 1.3, 0.2],
       [4.9, 3.6, 1.4, 0.1],
       [4.4, 3. , 1.3, 0.2],
       [5.1, 3.4, 1.5, 0.2],
       [5. , 3.5, 1.3, 0.3],
       [4.5, 2.3, 1.3, 0.3],
       [4.4, 3.2, 1.3, 0.2],
       [5. , 3.5, 1.6, 0.6],
       [5.1, 3.8, 1.9, 0.4],
       [4.8, 3. , 1.4, 0.3],
       [5.1, 3.8, 1.6, 0.2],
       [4.6, 3.2, 1.4, 0.2],
       [5.3, 3.7, 1.5, 0.2],
       [5. , 3.3, 1.4, 0.2],
       [7. , 3.2, 4.7, 1.4],
       [6.4, 3.2, 4.5, 1.5],
       [6.9, 3.1, 4.9, 1.5],
       [5.5, 2.3, 4. , 1.3],
       [6.5, 2.8, 4.6, 1.5],
       [5.7, 2.8, 4.5, 1.3],
       [6.3, 3.3, 4.7, 1.6],
       [4.9, 2.4, 3.3, 1. ],
       [6.6, 2.9, 4.6, 1.3],
       [5.2, 2.7, 3.9, 1.4],
       [5. , 2. , 3.5, 1. ],
       [5.9, 3. , 4.2, 1.5],
       [6. , 2.2, 4. , 1. ],
       [6.1, 2.9, 4.7, 1.4],
       [5.6, 2.9, 3.6, 1.3],
       [6.7, 3.1, 4.4, 1.4],
       [5.6, 3. , 4.5, 1.5],
       [5.8, 2.7, 4.1, 1. ],
       [6.2, 2.2, 4.5, 1.5],
       [5.6, 2.5, 3.9, 1.1],
       [5.9, 3.2, 4.8, 1.8],
       [6.1, 2.8, 4. , 1.3],
       [6.3, 2.5, 4.9, 1.5],
       [6.1, 2.8, 4.7, 1.2],
       [6.4, 2.9, 4.3, 1.3],
       [6.6, 3. , 4.4, 1.4],
       [6.8, 2.8, 4.8, 1.4],
       [6.7, 3. , 5. , 1.7],
       [6. , 2.9, 4.5, 1.5],
       [5.7, 2.6, 3.5, 1. ],
       [5.5, 2.4, 3.8, 1.1],
       [5.5, 2.4, 3.7, 1. ],
       [5.8, 2.7, 3.9, 1.2],
       [6. , 2.7, 5.1, 1.6],
       [5.4, 3. , 4.5, 1.5],
       [6. , 3.4, 4.5, 1.6],
       [6.7, 3.1, 4.7, 1.5],
       [6.3, 2.3, 4.4, 1.3],
       [5.6, 3. , 4.1, 1.3],
       [5.5, 2.5, 4. , 1.3],
       [5.5, 2.6, 4.4, 1.2],
       [6.1, 3. , 4.6, 1.4],
       [5.8, 2.6, 4. , 1.2],
       [5. , 2.3, 3.3, 1. ],
       [5.6, 2.7, 4.2, 1.3],
       [5.7, 3. , 4.2, 1.2],
       [5.7, 2.9, 4.2, 1.3],
       [6.2, 2.9, 4.3, 1.3],
       [5.1, 2.5, 3. , 1.1],
       [5.7, 2.8, 4.1, 1.3],
       [6.3, 3.3, 6. , 2.5],
       [5.8, 2.7, 5.1, 1.9],
       [7.1, 3. , 5.9, 2.1],
       [6.3, 2.9, 5.6, 1.8],
       [6.5, 3. , 5.8, 2.2],
       [7.6, 3. , 6.6, 2.1],
       [4.9, 2.5, 4.5, 1.7],
       [7.3, 2.9, 6.3, 1.8],
       [6.7, 2.5, 5.8, 1.8],
       [7.2, 3.6, 6.1, 2.5],
       [6.5, 3.2, 5.1, 2. ],
       [6.4, 2.7, 5.3, 1.9],
       [6.8, 3. , 5.5, 2.1],
       [5.7, 2.5, 5. , 2. ],
       [5.8, 2.8, 5.1, 2.4],
       [6.4, 3.2, 5.3, 2.3],
       [6.5, 3. , 5.5, 1.8],
       [7.7, 3.8, 6.7, 2.2],
       [7.7, 2.6, 6.9, 2.3],
       [6. , 2.2, 5. , 1.5],
       [6.9, 3.2, 5.7, 2.3],
       [5.6, 2.8, 4.9, 2. ],
       [7.7, 2.8, 6.7, 2. ],
       [6.3, 2.7, 4.9, 1.8],
       [6.7, 3.3, 5.7, 2.1],
       [7.2, 3.2, 6. , 1.8],
       [6.2, 2.8, 4.8, 1.8],
       [6.1, 3. , 4.9, 1.8],
       [6.4, 2.8, 5.6, 2.1],
       [7.2, 3. , 5.8, 1.6],
       [7.4, 2.8, 6.1, 1.9],
       [7.9, 3.8, 6.4, 2. ],
       [6.4, 2.8, 5.6, 2.2],
       [6.3, 2.8, 5.1, 1.5],
       [6.1, 2.6, 5.6, 1.4],
       [7.7, 3. , 6.1, 2.3],
       [6.3, 3.4, 5.6, 2.4],
       [6.4, 3.1, 5.5, 1.8],
       [6. , 3. , 4.8, 1.8],
       [6.9, 3.1, 5.4, 2.1],
       [6.7, 3.1, 5.6, 2.4],
       [6.9, 3.1, 5.1, 2.3],
       [5.8, 2.7, 5.1, 1.9],
       [6.8, 3.2, 5.9, 2.3],
       [6.7, 3.3, 5.7, 2.5],
       [6.7, 3. , 5.2, 2.3],
       [6.3, 2.5, 5. , 1.9],
       [6.5, 3. , 5.2, 2. ],
       [6.2, 3.4, 5.4, 2.3],
       [5.9, 3. , 5.1, 1.8]])

iris.data.shape

(150, 4)

iris.target

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

# 鸢尾花数据集中特征变量的名称
iris.feature_names

['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']

# 鸢尾花的种类
最低0.47元/天 解锁文章
清风佐鸣琴
关注
  • 9
    点赞
  • 踩
  • 86
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用Python实现K-Means算法，以鸢尾花数据为例
weixin_44741024的博客
06-15 3523
一、K-Means算法： 1、随机选取K个样本作为类中心； 2、计算各样本与各类中心的距离； 3、将各样本归于最近的类中心点； 4、求各类的择本均值，作为新的类中心； 5、判定：若类中心不再发生变动或达到迭代次数，算法结束，否则刚回刻第2步。 算法优点： 1、算法简单,易于理解； 2、对球状簇样本聚类效果好； 3、二分k均值等变种算法运行良好，不受初始化问题的影响。 缺点： 1.不能处理非球形簇、不同尺寸和不同密度的簇； 2.对离群点、噪声敏感。 二、代码实现： from sklearn.datasets
python内置K-means聚类算法对鸢尾花数据的聚类情况
09-14
上述代码是利用python内置的k-means聚类算法对鸢尾花数据的聚类效果展示，注意在运行该代码时需要采用pip或者其他方式为自己的python安装sklearn以及iris扩展包，其中X = iris.data[:]表示我们采用了鸢尾花数据的四个特征进行聚类，如果仅仅采用后两个（效果最佳）则应该修改代码为X = iris.data[2:]
聚类算法(K-means)代码实现(鸢尾花数据集)
最新发布
JamesSwifte的博客
02-06 1229
本文主要实现K-means这一算法，根据聚类算法理论篇(K-means,DBSCAN原理)可知：输入：数据dataK值输出：簇组其工作流程：1.根据K值，随机创建K个初始化质心点（Initialozation Randomly selecr K center points。2. 算出所有样本点到质心点的距离，得到样本属于那个簇。3. 更新，根据簇内样本重新算出簇内的质心。4. 重复执行2，3步，重新划分簇类，直至质心不在变化。#1.先随机选择K个中心点#最近的中心点#2.开始训练。
K-means聚类算法（附Python3实现代码）
热门推荐
helloWorld的博客
05-10 3万+
K-means算法的简介与Python3实现
K-Means算法实现鸢尾花数据集聚类
ZHW-鲜橙大AI课题组的博客
05-26 7469
张勇，男，西安工程大学电子信息学院，2022级研究生研究方向：智能信息处理与信息系统研究电子邮件：[email protected]陈梦丹，女，西安工程大学电子信息学院，2022级硕士研究生，张宏伟人工智能课题组研究方向：机器视觉与人工智能电子邮件：[email protected]。
使用sk-learn库实现k-means算法对iris数据分类
m0_60284144的博客
05-08 3468
使用sk-learn库实现k-means算法对iris数据分类
基于k-means实现鸢尾花聚类
褪色的博客
05-15 1万+
与有监督学习相比，无监督学习的样本没有任何标记。无监督学习的算法需要自动找到这些没有标记的数据里面的数据结构和特征。 对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇，让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大
对鸢尾花数据进行聚类
Chase的博客
04-18 366
通过K-Means方法对鸢尾花数据进行聚类。
Kmeans实现鸢尾花聚类
qq_18566467的博客
09-17 8330
首先下载鸢尾花的数据，给出网址：http://archive.ics.uci.edu/ml/datasets/Iris 点击红色箭头的开始下载 下载完成后打开，我们需要对数据集增加一些索引，方便我们写代码，我这里加入x,y,m,n,kind作为索引，完成后保存： 接下来上代码： import pandas as pd from sklearn.cluster import KMe...
K-means聚类算法实现鸢尾花聚类
weixin_43902823的博客
11-01 1675
聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。K-means算法是典型的基于距离（欧式距离、曼哈顿距离）的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。,x_n)和y= (y_1,y_2,…
K-means 实现鸢尾花
weixin_40440610的博客
12-21 2028
K-means 是一种经典的聚类的算法，简单好用，火的一塌糊涂，对于刚刚入坑的小白们有着重要的学习价值，好了不虾扯蛋了，上代码。 iris datasets row= 150 ，column 4, 3-type, each type has 4 features . ok baby , let us to code 调包，预处理数据集 import matplotlib.pyplot as plt from sklearn.datasets import load_iris import numpy
鸢尾花的聚类Kmeans聚类
02-06
鸢尾花的聚类采用的是Kmeans聚类，主要考虑如何将各列特征表示并排列组合，选择2列特征向量时可采用2个for循环，来对所有可能的组合进行遍历，选择3列特征分析时，由于情况较少则可以直接输入列。然后将特征列输入Kmeans聚类器中，最后根据聚类结果绘制出聚类结果。
python实现鸢尾花三种聚类算法（K-means,AGNES,DBScan）
09-19
主要介绍了python实现鸢尾花三种聚类算法（K-means,AGNES,DBScan），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Kmeans鸢尾花数据分类Kmenas
06-28
利用kmeans算法对数据集实行分类运算，C++kmeans鸢尾花kmeanskmeanskmeans
高质量源码_spectral_k-means聚类算法_鸢尾花数据分类_手写数字识别_
10-02
k-means聚类算法，spectral clustering，手写数字识别，数据分类
Python实现Kmeans聚类算法
12-23
本节内容：本节内容是根据上学期所上的模式识别课程的作业整理而来，第一道题目是Kmeans聚类算法，数据集是Iris(鸢尾花的数据集)，分类数k是3，数据维数是4。 关于聚类  聚类算法是这样的一种算法：给定样本数据...
KNN算法实战之糖尿病预测
清风佐鸣琴
06-04 2768
#导入库 import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score #读取数据，数据下载链接https://www.kaggle.com/uciml/pima-indians-diabetes-d
sklearn之概率类模型的评估指标
清风佐鸣琴
05-31 1944
sklearn.metrics.brier_score_loss sklearn.metrics.brier_score_loss(y_true, y_prob, *, sample_weight=None, pos_label=None)[source]¶ 概率预测的准确程度被称为“校准程度”，是衡量算法预测出的概率和真实结果的差异的一种方式。一种比较常用的指标叫做布里尔分数，它被计算为是概率预测相对于测试样本的均方误差，表示为： Brier Score = 1N∑i=1n(
kmeans聚类算法鸢尾花
03-31
kmeans聚类算法是一种无监督学习的算法，可以将数据集中的数据分为k个不同的簇。鸢尾花数据集是一个经典的数据集，包含三个不同种类的鸢尾花，每个种类有50朵花，共150朵花，每朵花有四个特征：萼片长度、萼片宽度、花瓣长度和花瓣宽度。 使用kmeans聚类算法对鸢尾花数据集进行聚类，可以按照以下步骤进行： 1. 导入数据集，并对数据进行预处理，如归一化或标准化等。 2. 确定簇的个数k，并初始化k个聚类中心，可以随机选择k个数据点作为聚类中心。 3. 对于每个数据点，计算其与每个聚类中心的距离，并将其归为距离最近的聚类中心所在的簇。 4. 根据每个簇中的数据点重新计算聚类中心。 5. 重复步骤3和4，直到聚类中心不再改变或达到预设的迭代次数。 6. 最后得到k个不同的簇，可以对每个簇进行分析和可视化，如计算簇的中心、簇的大小以及绘制簇的散点图等。 使用kmeans聚类算法对鸢尾花数据集进行聚类可以帮助我们了解不同种类的鸢尾花之间的区别和相似性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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