sk-learn学习之kmeans聚类（2）

K-均值是最普及的聚类算法，算法接受一个未标记的数据集，然后将数据聚类成不同的组。

K-均值是一个迭代算法，假设我们想要将数据聚类成 n 个组，其方法为:

1.首先选择?个随机的点，称为聚类中心（cluster centroids）；

2.对于数据集中的每一个数据，按照距离?个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类。

3.计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置。

4.重复步骤 2-4 直至中心点不再变化。 

https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html#sklearn.cluster.KMeans

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],
              [10, 2], [10, 4], [10, 0]])


# kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
pred = KMeans(n_clusters=2, random_state=0).fit_predict(X) #聚成2类

print(pred)  # [1 1 1 0 0 0]
plt.scatter(X[:,0],X[:,1],c=pred)
plt.show()

# print(kmeans.labels_) # [1 1 1 0 0 0]
# print(kmeans.predict([[0, 0], [12, 3]])) # [1 0]
# print(kmeans.cluster_centers_) # [[10.  2.] [ 1.  2.]]

结果图