使用sklearn进行kmeans实战

音程

于 2022-08-15 16:41:24 发布

阅读量1.5k

点赞数 4

分类专栏：机器学习文章标签： sklearn kmeans python

本文链接：https://blog.csdn.net/qq_43391414/article/details/126349663

版权

机器学习专栏收录该内容

59 篇文章

订阅专栏

本文通过简洁的代码实例介绍了如何使用sklearn库快速上手KMeans聚类算法。首先，创建了一个二维的6点数据集，然后用KMeans进行聚类，展示了如何获取聚类中心和各个点的类别，并对新数据点进行预测。通过这个简单的教程，读者可以快速掌握KMeans的基本用法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

背景

很多人写得太复杂了，更多人谈到sklearn的时候，早就知道了kmeas的原理，只是想快速上手而已。

代码

数据

我们知道，kmeans是无监督，没有标签。所以，我们的数据如下：

import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],
           [10, 2], [10, 4], [10, 0]])

6个数据点，每一个点是二维的。我们使用kmeas进行聚类。

代码

导入包

from sklearn.cluster import KMeans

#指定要聚多少个类别，以及拟合我们的数据X。
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)#
print(kmeans.cluster_centers_)
#输出聚类中心，我们是两个类，所以有两个中心。
print(kmeans.labels_)
#由于两个类别的中心已经知道，所以这6个点的类别当然也知道，看距离谁最近即可。
print(kmeans.predict([[0, 0], [12, 3]]))
#预测新的2个点的类别。和上面同理。