python鸢尾花数据集聚类_[Go]使用Golang对鸢尾花数据集进行k-means聚类

k-means算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。对于给定的一个包含n个d维数据点的数据集X以及要分得的类别K,选取欧式距离作为相似度指标，聚类目标是使得各类的聚类平方和最小，即最小化：

结合最小二乘法和拉格朗日原理，聚类中心为对应类别中各数据点的平均值，同时为了使得算法收敛，在迭代过程中，应使最终的聚类中心尽可能的不变。

聚类过程

首先任取k个样本点作为k个簇的初始中心

对每一个样本点，计算它们与k个中心的距离，把它归入距离最小的中心所在的簇

等到所有的样本点归类完毕，重新计算k个簇的中心

重复以上过程直至样本点归入的簇不再变动或变动范围极小

可视化演示：

在每次完成聚类之后，生成图片并保存。

最后生成一个k-means.html，其中使用JavaScript逐秒绘制过程图

聚类过程：

不同的颜色代表一个类，黑点代表聚簇点

第一次迭代(随机选点，还未聚类)

进行迭代，更新聚类点

最后一次迭代(按点已经完成聚类)

由于数据太多，可以在k-means.html中查看变化过程

结果演示：

输出聚簇点

可视化演示

代码：使用了github.com/muesli/kmeans库，我对它的注释进行了翻译，对程序进行了部分修改，方便可视化演示

package main

import ("io"

"os"

"log"

"fmt"

"bufio"

"io/ioutil"

"strings"

"strconv"

"github.com/leeli73/go-kmeans-html-plotter/clusters"

"github.com/leeli73/go-kmeans-html-plotter/kmeans")//读取数据

func InitData() clusters.Observations{

fi, err := os.Open("data/iris.dat")if err !=nil {

log.Fatalln(err)returnnil

}

defer fi.Close()vard clusters.Observations

br :=bufio.NewReader(fi)for{

a, _, c :=br.ReadLine()if c ==io.EOF {break}

temp := string(a)if temp[0] != '@'{

data := strings.Split(temp,",")

num1,_ := strconv.ParseFloat(data[0], 64)

num2,_ := strconv.ParseFloat(data[1], 64)

num3,_ := strconv.ParseFloat(data[2], 64)

num4,_ := strconv.ParseFloat(data[3], 64)

d=append(d,clusters.Coordinates{

num1,

num2,

num3,

num4,

})

}

}returnd

}

func main() {

d :=InitData()//定义一个k-means

km, _ := kmeans.New(0.01, kmeans.SimplePlotter{})//进行聚类运算

clusters,files, _ := km.Partition(d, 4)//生成演示html

strfiles := "\"" + files[0] + "\","

for i:=1;i

strfiles= strfiles + "\"" + files[i] + "\","}

strfiles= strfiles + "\"" + files[len(files)-1] + "\""clusterout := []string{}for i, c :=range clusters {

log.Printf("Cluster: %d %+v", i, c.Center)

str := fmt.Sprintf("Cluster: %d %+v", i, c.Center)

clusterout=append(clusterout,str)

}

clustersstr := "\"" + clusterout[0] + "\","

for i:=1;i

clustersstr= clustersstr + "\"" + clusterout[i] + "\","}

clustersstr= clustersstr + "\"" +clusterout[len(clusterout)-1] + "\""

var Data,err = ioutil.ReadFile("data/web.html")if err !=nil{

log.Fatal(err)

}

html := string(Data)

html= strings.Replace(html,"{{images}}",strfiles,-1)

html= strings.Replace(html,"{{clusters}}",clustersstr,-1)

ioutil.WriteFile("k-means.html",[]byte(html), 0644)

}

k-means.html

Bootstrap 4 Website Example

聚类点