python 手写实现k-means

最新推荐文章于 2024-08-11 16:00:02 发布
最新推荐文章于 2024-08-11 16:00:02 发布
阅读量1w 收藏 53
点赞数 13
分类专栏： 机器学习 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40127170/article/details/80458372
版权

今天手写实现了k-means，目的是加深对这个算法原理的理解，有不足的地方请多指教。

ris鸢尾花数据集包含3个不同品种的鸢尾花（Setosa，Versicolour，and Virginica）数据，花瓣和萼片长度，存储在一个150*4的 numpy.ndarry中
150行4列，150行指150多花，4列分别是Sepal Length，Sepal Width, Petal Length and Petal Width
使用pandas官方demo
本代码使用k-means实现对莺尾花种类class的区分，最后进行了可视化

导入库



                

        

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  人生就是不断的奋斗呀
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
Python实现的KMeans聚类算法实例分析

				
			

			

				

					09-19
				

			

		

		

			
				
主要介绍了Python实现的KMeans聚类算法,结合实例形式较为详细的分析了KMeans聚类算法概念、原理、定义及使用相关操作技巧,需要的朋友可以参考下

			
		

	



                

              
                



	

		

			

				
					
Python实现聚类K-means算法

					
热门推荐

				
			

			

				

					Castria的博客
				

				

					07-14
					
					3万+
					
				

			

		

		

			
				
本文内容、数据参考周志华《机器学习》，代码部分为个人实现，如有错误还请指出。

			
		

	



                


  
              

                


	

		

			

				
					
Python大数据分析——Kmeans聚类分析

					
最新发布

				
			

			

				

					Eric005的博客
				

				

					08-11
					
					1148
					
				

			

		

		

			
				
对于有监督的数据挖掘算法而言，数据集中需要包含标签变量（即因变量y的值）。但在有些场景下，并没有给定的y值，对于这类数据的建模，一般称为无监督的数据挖掘算法，最为典型的当属聚类算法。Kmeans聚类算法利用距离远近的思想将目标数据聚为指定的k个簇，进而使样本呈现簇内差异小，簇间差异大的特征。

			
		

	





	

		

			

				
					
Python手写K均值算法

				
			

			

				

					qq_22593423的博客
				

				

					09-20
					
					223
					
				

			

		

		

			
				
随机选择k个中心点计算每个点到k个中心点的距离将每个点归到距离最近的中心点所在的簇重新计算每个簇的中心点重复步骤2~4直到簇不再变化# 随机选择k个中心点# 计算每个点到k个中心点的距离# 将每个点归到距离最近的中心点所在的簇# 重新计算每个簇的中心点# 判断簇是否变化break通过手写K均值算法，我们可以更深入地理解算法原理和实现过程，从而更好地应用于实际问题中。随机选择初始中心点时，应该避免选择重复的点。

			
		

	



		

			
		



	

		

			

				
					
【最优化方法】K-Means聚类实验：Python实现手写数字图像MNIST分类

				
			

			

				

					weixin_43209177的博客
				

				

					11-23
					
					1万+
					
				

			

		

		

			
				
【最优化方法】K-Means聚类实验：Python实现手写数字图像MNIST分类
目录【最优化方法】K-Means聚类实验：Python实现手写数字图像MNIST分类一、实验目的与要求二、 问题三、模型建立及求解3.1 实验思路3.2 模型建立3.2.1读取MNIST数据集3.2.2 使用K-means算法对手写体进行聚类1.  K-means 算法思想2. K-means算法的具体实现3. 聚类中心对应类团编号的获取4. 正确率计算5. 使用PCA算法对聚类结果进行二维可视化3.3 性能分析1. 运行环境

			
		

	





	

		

			

				
					
手写K-Means（K均值聚类的python实现）

				
			

			

				

					Andy
				

				

					12-14
					
					1340
					
				

			

		

		

			
				
K-Means聚类算法原理
"""
K-means impl, take square for example
@Author: JiananYuan
@Date: 2021/12/14
"""
import random
import matplotlib.pyplot as plt
import numpy as np


def check_consistent(last_cluster, current_cluster):
    """
    check whether last_cluster

			
		

	





	

		

			

				
					
机器学习之K-Means聚类（python手写实现+使用Silhouette Coefficient来选取最优k值）

				
			

			

				

					学习笔记
				

				

					11-21
					
					2266
					
				

			

		

		

			
				
在"无监督学习" (unsupervised learning) 中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。聚类结果的"簇内相似度" (intra-cluster similarity) 高且"簇间相似度" (inter-cluster similarity)被认为是比较好的聚类结果。K-Means聚类又叫K均值聚类，是一种线性时间复杂度的聚类方法，也是比较成熟的一种聚类算法。也就是说明s(i)越大说明聚类效果越好。

			
		

	





	

		

			

				
					
深大计软_最优化方法_实验1：K-Means聚类之Python实现手写数字图像MNIST分类

				
			

			

				

					04-10
				

			

		

		

			
				
在本实验中，我们将深入探讨如何使用Python编程语言和K-Means聚类算法来对MNIST数据集中的手写数字图像进行分类。MNIST数据集是机器学习领域的一个经典基准，它包含了大量的0到9的手写数字图像，用于训练和测试图像...

			
		

	





	

		

			

				
					
K-means实验.zip

				
			

			

				

					07-07
				

			

		

		

			
				
实验可能还包括对不同数据集的尝试，例如Iris花卉数据集或MNIST手写数字数据集，以展示K-means在多元和复杂数据上的表现。  通过这个实验，你可以深入理解K-means的工作机制，并掌握如何在实际项目中应用它。同时，...

			
		

	





	

		

			

				
					
numbers_k-means

				
			

			

				

					03-13
				

			

		

		

			
				
在"numbers_k-means-main"的项目中，我们可能会有一个包含数字图像的数据集。例如，数据集可能由二维数组表示的数字图片组成，每一行代表一个样本，每一列代表像素值。k-均值可以用于识别数字的模式，通过聚类相似的...

			
		

	





	

		

			

				
					
手写K均值K-means和模糊C均值FCM算法对Iris鸢尾花数据集聚类以及图像聚类分割

				
			

			

				

					04-25
				

			

		

		

			
				
本项目将探讨两种常见的聚类算法——K均值(K-means)和模糊C均值(FCM)——并应用它们对Iris鸢尾花数据集进行聚类分析，同时展示如何将这些算法应用于图像聚类分割。  首先，K均值算法是一种迭代方法，通过最小化簇内...

			
		

	





	

		

			

				
					
python近邻算法实现数字识别

				
			

			

				

					10-31
				

			

		

		

			
				
在Python编程领域，近邻算法（K-Nearest Neighbors, KNN）是一种常见的监督学习方法，常用于分类和回归任务。在这个项目中，我们利用KNN算法来识别数字图像，这在机器学习中是一个经典的实例，特别是对于手写数字...

			
		

	





	

		

			

				
					
手写算法-python代码实现Kmeans

				
			

			

				

					weixin_44700798的博客
				

				

					12-17
					
					2698
					
				

			

		

		

			
				
手写算法-python代码实现Kmeans原理解析代码实现实例演示sklearn对比总结
原理解析
今天，我们来讲一下Kmeans，一种无监督聚类算法，也是最为经典的基于划分的聚类方法,它的思想是：对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。
实现流程如下：
1、先确定数据集聚类个数k；
2、在数据集中随机选取k个数据，作为初始质心；
3、计算数据集中每个样本到每个质心的距离，把样本划分到
距离最小的质心所属的类别；
4、根据聚类结果

			
		

	





	

		

			

				
					
chatgpt赋能python：Python手写KMeans算法详解

				
			

			

				

					www_xuhss_com的博客
				

				

					06-19
					
					184
					
				

			

		

		

			
				
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。

			
		

	





	

		

			

				
					
Python算法总结（二）KMeans（附手写python实现代码）

				
			

			

				

					cqx2020的博客
				

				

					05-26
					
					1433
					
				

			

		

		

			
				
本篇文章是在闭卷之下据我个人的理解一个字一个字写出来，恐有错漏，请谨慎参考。
一、算法类型
无监督的聚类算法
二、算法原理
将样本划分为不同簇（拼音：cu）数，直观上，簇内样本较为聚集，簇间样本较为分开。每个样本到本簇质心的距离，小于到其他簇质心的距离。
三、算法流程
第一步：准备已处理好的样本集Data（N个样本，M个特征），指定聚类k簇，迭代次数max_iter；
第二步：随机选取k个样本作为第一代质心集C，表示为：c0,c1…ck-1（这里下标索引将作为聚类标签）；
第三步：计算每个样本到每个质心的距

			
		

	





	

		

			

				
					
手写KMeans（python）

				
			

			

				

					DZY的博客
				

				

					04-29
					
					1324
					
				

			

		

		

			
				

			
		

	





	

		

			

				
					
python机器学习之手写K-means算法

				
			

			

				

					柳小葱的博客
				

				

					11-21
					
					1047
					
				

			

		

		

			
				
上一期的机器学习算法更新到岭回归，然后看完了非监督的聚类算法就进入到深度学习了，机器学习剩下几章没更新，这几天上课时候老师讲到Kmeans算法，于是我就觉得手写一下Kmeans算法，加深对聚类算法的理解。

1. K-means算法原理
K-means算法的思想：

首先从数据集中随机选取K个点作为初始中心点。
然后分别计算所有点到这K个点的距离，每个点选取距离最小的中心点将他们归成一类。
重现计算各个类中所有点的平均值，选出新的中心点
再次计算所有点到新的中心的距离，然后归类。
循环多次，当中心点变...

			
		

	





	

		

			

				
					
python手写kmeans算法

				
			

			

				

					实践是检验真理的唯一标准
				

				

					01-12
					
					603
					
				

			

		

		

			
				
kmean聚类是最基础和常见的算法，工程上使用比较常见，spark, sklearn都有实现，本文手写实现kmeans


#!/usr/bin/python
import sys
import random
import math

def create_rand_points(max_x, max_y, count):
    """Create count points (0-x), (0-y).

    """
    points = []
    for i in range(0, count

			
		

	





	

		

			

				
					
python手写kmeans

				
			

			

				

					t_zht的博客
				

				

					09-02
					
					328
					
				

			

		

		

			
				
from numpy import *
from pandas import *

def randomCenters(dataSet,k):
    n = shape(dataSet)[1]
    print "shape",shape(dataSet)
    centers = mat(zeros((k,n)))
    for j in range(n):
        minJ ...

			
		

	





	

		

			

				
					
用python手写k-means(k均值)聚类算法

				
			

			

				

					05-27
				

			

		

		

			
				
K均值聚类算法是一种基于距离的聚类方法，它将数据分成 K 个类，每个类对应一个聚类中心。该算法通过不断地迭代来更新聚类中心，直到满足一定的停止条件为止。

下面是手写 K 均值聚类算法的实现步骤：

1. 随机初始化 K 个聚类中心。
2. 对于每个数据点，计算它与各个聚类中心的距离，并将它分配到距离最近的聚类中心所属的类别。
3. 对于每个类别，重新计算其聚类中心，即将该类别中所有数据点的坐标平均值作为新的聚类中心。
4. 重复步骤 2 和 3，直到满足停止条件（例如聚类中心不再变化）。

下面是一个简单的 Python 代码实现：

```python
import numpy as np

def k_means(X, K):
    centers = X[np.random.choice(len(X), K, replace=False)]
    while True:
        # Assign points to the nearest center
        labels = np.argmin(np.linalg.norm(X[:, np.newaxis] - centers, axis=2), axis=1)
        # Update the centers
        new_centers = np.array([X[labels == k].mean(axis=0) for k in range(K)])
        # Check if the centers have converged
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return labels, centers
```

其中，X 是数据集，K 是要分成的类别数。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 8

	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值