240717 聚类 kmean

结果：

无监督学习是一种对不含标记的数据建立模型的机器学习范式。 
~~
k-means算法是最流行的聚类算法之一。 这个算法常常利用数据的不同属性将输入数据划分
为k组。 分组是使用最优化的技术实现的， 即让各组内的数据点与该组中心点的距离平方和最小
化。

代码

登录后复制

# -*- coding: utf-8 -*-
 import numpy as np
 import matplotlib.pyplot as plt
 from sklearn import metrics
 from sklearn.cluster import KMeansimport utilities
# 加载数据
 data = utilities.load_data('data_multivar.txt')
 num_clusters = 4# 画出原始数据
 plt.figure()
 plt.scatter(data[:,0], data[:,1], marker='o', 
         facecolors='none', edgecolors='k', s=30)
 x_min, x_max = min(data[:, 0]) - 1, max(data[:, 0]) + 1
 y_min, y_max = min(data[:, 1]) - 1, max(data[:, 1]) + 1
 plt.title('Input data')
 plt.xlim(x_min, x_max)
 plt.ylim(y_min, y_max)
 plt.xticks(())
 plt.yticks(())# 训练模型
 kmeans = KMeans(init='k-means++', n_clusters=num_clusters, n_init=10)
 kmeans.fit(data)# 步长
 step_size = 0.01# 找到聚合点
 x_min, x_max = min(data[:, 0]) - 1, max(data[:, 0]) + 1
 y_min, y_max = min(data[:, 1]) - 1, max(data[:, 1]) + 1
 x_values, y_values = np.meshgrid(np.arange(x_min, x_max, step_size), np.arange(y_min, y_max, step_size))# 计算预测
 predicted_labels = kmeans.predict(np.c_[x_values.ravel(), y_values.ravel()])# 画出所有结果
 predicted_labels = predicted_labels.reshape(x_values.shape)
 plt.figure()
 plt.clf()
 plt.imshow(predicted_labels, interpolation='nearest',
            extent=(x_values.min(), x_values.max(), y_values.min(), y_values.max()),
            cmap=plt.cm.Paired,
            aspect='auto', origin='lower')plt.scatter(data[:,0], data[:,1], marker='o', 
         facecolors='none', edgecolors='k', s=30)centroids = kmeans.cluster_centers_
 plt.scatter(centroids[:,0], centroids[:,1], marker='o', s=200, linewidths=3,
         color='k', zorder=10, facecolors='black')
 x_min, x_max = min(data[:, 0]) - 1, max(data[:, 0]) + 1
 y_min, y_max = min(data[:, 1]) - 1, max(data[:, 1]) + 1
 plt.title('Centoids and boundaries obtained using KMeans')
 plt.xlim(x_min, x_max)
 plt.ylim(y_min, y_max)
 plt.xticks(())
 plt.yticks(())
 plt.show()

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.
• 42.
• 43.

原创作者: u_15862653 转载于: https://blog.51cto.com/u_15862653/11888533