sklearn详解

45 篇文章 0 订阅
26 篇文章 0 订阅

sklean详细介绍
以及机器学习
sklearn

学习笔记

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
K-Means 是一种聚类算法,它将数据集分成 K 个不同的簇,每个簇都包含具有相似特征的数据点。在 K-Means 算法中,每个簇的质心是该簇中所有点的平均值。 在 Scikit-learn 中,K-Means 算法可以使用 KMeans 类来实现。下面是使用 KMeans 类执行 K-Means 算法的步骤: 1. 导入 KMeans 类 ```python from sklearn.cluster import KMeans ``` 2. 创建 KMeans 类对象 ```python kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=300, n_init=10, random_state=0) ``` 参数说明: - n_clusters:要分成的簇的数量。 - init:初始化方法。默认值为 'k-means++'。其他选项包括 'random' 和 ndarray。 - max_iter:最大迭代次数。默认值为 300。 - n_init:执行 K-Means 算法的次数。默认值为 10。 - random_state:随机种子。 3. 训练模型 ```python kmeans.fit(X) ``` 参数 X 是包含数据的特征矩阵。 4. 预测簇 ```python kmeans.predict(X) ``` 预测每个数据点所属的簇。 5. 获取质心 ```python kmeans.cluster_centers_ ``` 获取每个簇的质心。 6. 获取 SSE 值 ```python kmeans.inertia_ ``` 获取 SSE(Sum of Squared Errors)值,该值越小,表示聚类效果越好。 7. 可视化结果 将数据点和质心绘制到图表中,以便更好地理解聚类结果。 完整的代码示例: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans # 生成数据 X = np.array([[5,3], [10,15], [15,12], [24,10], [30,45], [85,70], [71,80], [60,78], [55,52], [80,91],]) # 创建 KMeans 类对象 kmeans = KMeans(n_clusters=2) kmeans.fit(X) # 预测簇 y_kmeans = kmeans.predict(X) # 获取质心 centroids = kmeans.cluster_centers_ # 获取 SSE 值 sse = kmeans.inertia_ # 可视化结果 plt.scatter(X[:,0], X[:,1], s=100, c=y_kmeans) plt.scatter(centroids[:,0], centroids[:,1], marker='*', s=300, c='red') plt.title('KMeans Clustering') plt.xlabel('X') plt.ylabel('Y') plt.show() ``` 输出结果: ![KMeans Clustering](https://img-blog.csdn.net/20180507180220973?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NocmlzdGlhbnNpbmc=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/q/70)

“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

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