山东大学软件学院2018级暑期项目实训第三周第1次

最新推荐文章于 2024-09-13 19:03:07 发布

qq_44889444

最新推荐文章于 2024-09-13 19:03:07 发布

阅读量97

点赞数

文章标签：机器学习

本文链接：https://blog.csdn.net/qq_44889444/article/details/118865742

版权

一、进行K-means聚类设计

1.引入库

代码如下（示例）：

def k_means_clust(data, num_clust, num_iter, w=3):
    ## 步骤一: 初始化均值点
    centroids = random.sample(list(data), num_clust)
    counter = 0
    for n in range(num_iter):
        counter += 1
        # print
        # counter
        assignments = {}  #存储类别0，1，2等类号和所包含的类的号码
        # 遍历每一个样本点 i ,因为本题与之前有所不同，多了ind的编码
        for ind, i in enumerate(data):
            min_dist = float('inf')   #最近距离，初始定一个较大的值
            closest_clust = None     # closest_clust：最近的均值点编号
            ## 步骤二: 寻找最近的均值点
            for c_ind, j in enumerate(centroids):  #每个点和中心点的距离，共有num_clust个值
                if LB_Keogh(i, j, 3) < min_dist:    #循环去找最小的那个
                    cur_dist = DTWDistance(i, j, w)
                    if cur_dist < min_dist:         #找到了ind点距离c_ind最近
                        min_dist = cur_dist
                        closest_clust = c_ind
            ## 步骤三: 更新 ind 所属簇
            # print(closest_clust)
            if closest_clust in assignments:
                assignments[closest_clust].append(ind)
            else:
                assignments[closest_clust] = []
                assignments[closest_clust].append(ind)
        # recalculate centroids of clusters  ## 步骤四: 更新簇的均值点
        for key in assignments:
            clust_sum = 0
            for k in assignments[key]:
                clust_sum = clust_sum + data[k]
            centroids[key] = [m / len(assignments[key]) for m in clust_sum]
return centroids,assignments    #返回聚类中心值，和聚类的所有点的数组序号