数据挖掘——对鸢尾花数据进行聚类分析

算法原理

k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无监督过程，即待处理数据对象没有任何先验知识，而分类过程为有监督过程，即存在有先验知识的训练数据集。
k-means算法中的k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。

实验内容

1、随机生成100个数，并对这100个数进行k-mean聚类（k=3,4,5,6)(并用matplot画图）

import numpy as np
import matplotlib
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
matplotlib.rcParams['font.family'] = 'SimHei'  # 中文显示
dataSet = np.random.rand(100, 3)  # 生成一个随机数据，样本大小为100, 特征数为3
for k in range(3, 7):
    clf = KMeans(n_clusters=k)  # 设定k
    s = clf.fit(dataSet)  # 加载数据集合
    numSamples = len(dataSet)
    centroids = clf.labels_
    print(centroids, type(centroids))  # 显示中心点
    print(clf.inertia_)  # 显示聚类效果
    mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
    # 画出所有样例点 属于同一分类的绘制同样的颜色
    for i in range(numSamples):
        # markIndex = int(clusterAssment[i, 0])
        plt.plot(dataSet[i][0], dataSet[i][1], mark[clf.labels_[i]])  # mark[markIndex])
    mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']
    # 画出质点，用特殊图型
    centroids = clf.cluster_centers_
    for i in range(k):
        plt.plot(centroids[i][0], centroids[i][1], mark[i], markersize=12)
        # print centroids[i, 0], centroids[i, 1]
    plt.title(str(k)+"-mean聚类")
    plt.show()

实验结果分析
由实验结果可以直观看出选择类簇个数不同，分类效果不同，当分为三类时每个点到其簇的质心距离之和最大，随簇数增加，每个点到其簇的质心距离之和减小，但有图可以看出当簇增大时分类较杂乱
2、对鸢尾花数据进行K-means算法聚类(并用matplot画图）

import matplotlib
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris
matplotlib.rcParams['font.family'] = 'SimHei'  # 中文显示
# 鸢尾花K-means聚类散点图
iris = load_iris().data
K_means = KMeans(n_clusters=3)  # 三个聚类中心
result = K_means.fit(iris)  # means 自动分类
kc = result.cluster_centers_  # 自动分类后的聚类中心
y_means = K_means.predict(iris)  # 预测y值
plt.title("鸢尾花数据集的K-means聚类散点图", fontsize=16)
plt.scatter(iris[:,0],iris[:,2],c=y_means, marker='.',label='see')
plt.show()

实验结果分析
通过数据集iris的属性值将鸢尾花分为3类，即K值为3，可视化图形后可直观明了的看出3类鸢尾花的散点图，进而基于K均值模型可进一步预测鸢尾花类型。