sklearn学习-聚类算法Kmeans

最新推荐文章于 2023-02-11 01:19:09 发布
最新推荐文章于 2023-02-11 01:19:09 发布
阅读量318 收藏 2
点赞数
文章标签： 聚类 算法 sklearn
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_42856170/article/details/128826201
版权

文章目录

一、sklearn.cluster.KMeans

在这里插入图片描述
在这里插入图片描述

二、 聚类算法的模型评估指标

在这里插入图片描述

在这里插入图片描述

轮廓系数有很多优点，它在有限空间中取值，使得我们对模型的聚类效果有一个“参考”。并且，轮廓系数对数据的分布没有假设，因此在很多数据集上都表现良好。但它在每个簇的分割比较清洗时表现最好。但轮廓系数也有缺陷，它在凸型的类上表现会虚高，比如基于密度进行的聚类，或通过DBSCAN获得的聚类结果，如果使用轮廓系数来衡量，则会表现出比真实聚类效果更高的分数。

基于轮廓系数来选择n_clusters

在这里插入图片描述
在这里插入图片描述

三、重要参数init & random_state & n_init：初始质心怎么放好?

init：可输入"k-means++“，“random"或者一个n维数组。这是初始化质心的方法，默认"k-means++”。输入"kmeans++”：一种为K均值聚类选择初始聚类中心的聪明的办法，以加速收敛。如果输入了n维数组，数组的形状应该是(n_clusters，n_features)并给出初始质心。
random_state：控制每次质心随机初始化的随机数种子
n_init：整数，默认10，使用不同的质心随机初始化的种子来运行k-means算法的次数。最终结果会是基于Inertia来计算的n_init次连续运行后的最佳输出
在这里插入图片描述

四、重要参数max_iter & tol：让迭代停下来

在之前描述K-Means的基本流程时我们提到过，当质心不再移动，Kmeans算法就会停下来。但在完全收敛之前，我们也可以使用max_iter，最大迭代次数，或者tol，两次迭代间Inertia下降的量，这两个参数来让迭代提前停下来。有时候，当我们的n_clusters选择不符合数据的自然分布，或者我们为了业务需求，必须要填入与数据的自然分布不合的n_clusters，提前让迭代停下来反而能够提升模型的表现。
max_iter：整数，默认300，单次运行的k-means算法的最大迭代次数
tol：浮点数，默认1e-4，两次迭代间Inertia下降的量，如果两次迭代之间Inertia下降的值小于tol所设定的值，迭代就会停下
在这里插入图片描述

五、K_Means 函数

在这里插入图片描述

六、案例：聚类算法用于降维，KMeans的矢量量化应用

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
结论： 无论有结尾，只要维度之间相乘后的总数据量不变，维度可以随意变换
在这里插入图片描述

总结

育林
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于python中的sklearn.cluster库做k-means聚类
09-11
本程序是在python中完成，基于sklearn.cluster中的k-means聚类包来实现数据的聚类，对于里面使用的数据格式如下：（注意更改程序中的相关参数） 138 0 124 1 127 2 129 3 119 4 127 5 124 6 120 7 123 8 147 9 188 10 212 11 229 12 240 13 240 14 241 15 240 16 242 17 174 18 130 19 132 20 119 21 48 22 37 23 49 0 42 1 34 2 26 3 20 4 21 5 23 6 13 7 19 8 18 9 36 10 25 11 20 12 19 13 19 14 5 15 29 16 22 17 13 18 46 19 15 20 8 21 33 22 41 23 69 0 56 1 49 2 40 3 52 4 62 5 54 6 32 7 38 8 44 9 55 10 70 11 74 12 105 13 107 14 56 15 55 16 65 17 100 18 195 19 136 20 87 21 64 22 77 23 61 0 53 1 47 2 33 3 34 4 28 5 41 6 40 7 38 8 33 9 26 10 31 11 31 12 13 13 17 14 17 15 25 16 17 17 17 18 14 19 16 20 17 21 29 22 44 23 37 0 32 1 34 2 26 3 23 4 25 5 25 6 27 7 30 8 25 9 17 10 12 11 12 12 12 13 7 14 6 15 6 16 12 17 12 18 39 19 34 20 32 21 34 22 35 23 33 0 57 1 81 2 77 3 68 4 61 5 60 6 56 7 67 8 102 9 89 10 62 11 57 12 57 13 64 14 62 15 69 16 81 17 77 18 64 19 62 20 79 21 75 22 57 23 73 0 88 1 75 2 70 3 77 4 73 5 72 6 76 7 76 8 74 9 98 10 90 11 90 12 85 13 79 14 79 15 88 16 88 17 81 18 84 19 89 20 79 21 68 22 55 23 63 0 62 1 58 2 58 3 56 4 60 5 56 6 56 7 58 8 56 9 65 10 61 11 60 12 60 13 61 14 65 15 55 16 56 17 61 18 64 19 69 20 83 21 87 22 84 23 41 0 35 1 38 2 45 3 44 4 49 5 55 6 47 7 47 8 29 9 14 10 12 11 4 12 10 13 9 14 7 15 7 16 11 17 12 18 14 19 22 20 29 21 23 22 33 23 34 0 38 1 38 2 37 3 37 4 34 5 24 6 47 7 70 8 41 9 6 10 23 11 4 12 15 13 3 14 28 15 17 16 31 17 39 18 42 19 54 20 47 21 68 22
基于sklearn的k-means++
weixin_43069769的博客
03-21 2319
import numpy as np from sklearn.cluster import KMeans import matplotlib.pyplot as plt to_array_2 = lambda data : np.array(np.squeeze(data))[0] def kmeans_building_from_sklearn(data,types_num,types_i...
sklearn中的聚类算法K-Means
momokofly的博客
12-15 1万+
1 概述 1.1 无监督学习与聚类算法 决策树、随机森林、逻辑回归虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，既需要特征矩阵XXX，也需要真实标签yyy。在机器学习中，还有很大一部分算法是属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵XXX，不需要标签。曾经学过的PCA算法就是无监督学习中的一种。聚类算法也是无监督学习的代表算法之一。 聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于业务需求或建模需求来完成，也可以单
【Sklearn】k-means & k-means++
Spike的秃头之路
02-15 896
头文件： from sklearn.model_selection import train_test_split from sklearn.cluster import KMeans from sklearn.datasets import make_blobs from sklearn import metrics 输入格式为： kmd = np.array(kmd,dtype = 'float') print(kmd); K-means代码： k_means = KMeans(init='k-m
【skLearn 聚类算法】KMeans
懂得一千零一种,赋予你失败的方法！
01-07 5706
文章目录KMeans聚类算法前言※ 聚类与分类的区别※ sklearn.cluster: Clustering --- 聚类模块一、KMeans工作原理1.定义2.算法过程3.聚类结果分析4.簇内平方和5.KMeans算法的时间复杂度(了解)二、KMeans类的使用◐ 重要参数 ---- n_clusters◐ 聚类案例① 创建数据集② KMeans聚类★ 重要属性labels_,查看聚好的类别，每个样本所对应的簇数☠ 注意 predict 和 fit_ predict★ 重要属性cluster_ce..
Python机器学习实验-聚类-sklearn模块中的KMeans算法
08-18
3. 学习sklearn模块中的KMeans算法。 二、实验原理 K-means算法是将样本聚类成k个簇（cluster），具体算法描述如下: 1、 随机选取k个聚类质心点（cluster centroids）为 2、 重复下面过程直到收敛，对于每一个样例i...
【sklearn】xclara聚类数据集，python-sklearn，Kmeans聚类练手
09-28
经典机器学习算法练手聚类数据集，csv格式，存储了3000余组坐标点数据（x，y），可用于sklearn或普通python实现KMeans聚类，回归等任务 【使用说明】 建议python使用pandas进行数据导入，再使用python进行数据分析...
sklearn中kmeans聚类算法解析及应用
10-17
sklearn学习中所需要的聚类算法解析，文档中主要解析了kmeans算法用法
KMeans聚类算法+代码
05-14
对数据进行KMeans聚类分析并可视化聚类结果 亲测能成功跑出来的KMeans算法代码
【机器学习项目实战】Python实现聚类(Kmeans)分析客户分组
08-20
【机器学习项目实战】Python实现聚类(Kmeans)分析客户分组 资料说明：包括数据集+源代码+Word文档说明。 资料内容包括： 1)问题定义； 2)数据收集； 3)数预处理； 4)探索性数据分析； 5)聚类模型； 6)聚类可视化...
sklearn入门——聚类算法KMeans
weixin_47037146的博客
11-11 4556
概述 聚类算法是无监督学习的代表算法之一，也叫“无监督分类”。目的是将数据分为若干有意义或有用的组，通常根据实际需求来进行划分。聚类可以用于降维和矢量量化（vectorquantization），可以将高维特征压缩到一列当中，常常用于图像，声音，视频等非结构化数据，可以大幅度压缩数据量。核心是将数据分为多个组，探索每个组的数据是否有联系。 KMeans的工作原理 簇与质心 KMeans将数据划分称若干个无交集的簇，每个簇就是一个一组聚集在一起的数据集，在一个簇中的数据视为同一类，簇是聚类的结果体现。 质心就
聚类算法学习----之----sklearn.cluster.KMeans
xiaoQL520的博客
10-18 1万+
聚类算法学习----之----sklearn.cluster.KMeans
sklearn kmeans 聚类中心_Kmeans聚类算法
weixin_39997695的博客
12-08 4357
1 引例经过前面一些列的介绍，我们已经接触到了多种回归和分类算法。并且这些算法有一个共同的特点，那就是它们都是有监督的(supervised)学习任务。接下来，笔者就开始向大家介绍一种无监督的(unsupervised) 经典机器学习算法——聚类。同时，由于笔者仅仅只是对Kmeans框架下的聚类算法较为熟悉，因此在后续的几篇文章中笔者将只会介绍Kmeans框架下的聚类算法，包括：Kmea...
sklearn Kmeans
nendie1的博客
03-29 2666
Kmeans Kmeans属于无监督学习 对输入样本不断地迭代 计算出最佳质心 步骤 1、随机选定k个样本作为质心 2、开始循环 2.1、将各个样本点分配到离它们最近的质心，生成k个簇 2.2、对于每个簇，计算所有被分到该处的样本点的平均值作为新的质心 3、当质心位置不再变化时，迭代停止，完成聚类。 簇内误差的定义 i 表示每个样本的第i个特征 x表示样本 μ表示质心 欧几里得距离 d = 根号∑(xi-μi)^2 曼哈顿距离 d = ∑|xi-μi| 欧几里得距离是类似于勾股定理 求两点之间的最短距离（直
K-Means聚类算法 【sklearn.cluster】
R
06-22 1355
classsklearn.cluster.KMeans(n_clusters=8,*,init='kmeans++',n_init=10,max_iter=300,tol=0.0001, precompute_distances='deprecated',verbose=0,random_state=None,copy_x=True,n_jobs='deprecated',algorithm='auto') 参数： 1、 n_clusters: 聚类类别数量，也是初始聚类中心的...
sklearn之kmeans
weixin_45580742的博客
02-25 1247
Kmeans工作原理 sklearn.cluster.KMeans 1.参数n_clusters n_clusters是KMeans中的k，表示着我们告诉模型我们要分几类。这是KMeans当中唯一一个必填的参数，默认为8类，当我们拿到一个数据集，如果可能的话，我们希望能够通过绘图先观察一下这个数据集的数据分布，以此来为我们聚类时输入的n_clusters做一个参考。 2.参数init &...
sklearn库之sklearn.cluster.KMeans的学习
tjuwwk
03-14 2万+
这篇呢是接着上一篇kmeans的学习，这篇主要是介绍调用机器学习的库来使用集成的kmeans ,哈哈会调用就行，主要学习呢就是看官方文档，学习这个包装类的参数，返回值以及它方法,这里面有好多examples,大家可以尝试下。下面是我练习时的代码：#-*- coding:utf-8 -*- from sklearn.cluster import KMeans #from sklearn.cluste...
kmeans代码实现聚类python，并输出对应的聚类中心
weixin_42578963的博客
02-11 886
下面是一个用 Python 实现 K-Means 聚类的代码示例： import numpy as np def kmeans(X, k, max_iterations=100): # 随机选择 k 个初始聚类中心 centers = X[np.random.choice(X.shape[0], k, replace=False), :] for i in ra...
sklearn.cluster.KMeans 参数介绍
热门推荐
weixin_41724761的博客
05-03 2万+
sklearn.cluster.KMeans 参数介绍 为什么要介绍sklearn这个库里的kmeans？ 　　这个是现在python机器学习最流行的集成库，同时由于要用这个方法，直接去看英文文档既累又浪费时间、效率比较低，所以还不如平时做个笔记、打个基础。 　　这里还有一个原因，上面介绍了k-means++，sklearn.cluster.KMeans这个类对于初始聚类中心的选择刚好默认选择的就...
sklearn的kmeans聚类算法
最新发布
09-14
KMeans 是一种常用的聚类算法，它可以将数据集划分为预先指定的 K 个簇。在 sklearn 中，你可以使用 `sklearn.cluster.KMeans` 类来实现 KMeans 算法。下面是一个简单的示例代码： ```python from sklearn.cluster import KMeans import numpy as np # 创建一个示例数据集 X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]) # 创建 KMeans 模型并训练 kmeans = KMeans(n_clusters=2, random_state=0) kmeans.fit(X) # 查看聚类结果 labels = kmeans.labels_ centroids = kmeans.cluster_centers_ print("聚类标签：", labels) print("聚类中心：", centroids) ``` 在上面的代码中，我们首先导入 `KMeans` 类和 `numpy` 库。然后我们创建了一个二维数据集 `X`，包含了六个样本点。接下来，我们创建了一个 `KMeans` 对象，指定 `n_clusters=2` 表示我们希望将数据分为两个簇。然后我们使用 `fit` 方法对数据进行训练，得到聚类结果。最后，我们输出了每个样本点的聚类标签和聚类中心。 希望这个示例能帮助到你理解 sklearn 中的 KMeans 聚类算法！如果你有任何其他问题，欢迎继续提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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