(八)K-means聚类及可视化-采用不同的初始值比较[机器学习代码]

这篇博客探讨了K-means聚类算法在不同初始值下的效果,通过实例展示了采用(2.1,0),(4.1,0), (5,0)等不同初始中心时,聚类结果的变化。结论强调了初始值选择的重要性,通常采用k-means++算法以优化结果的稳定性和准确性。" 131315031,5891101,PyQt5高级教程:QTableView深度解析,"['Python', 'GUI开发', 'Qt']
摘要由CSDN通过智能技术生成

    机器学习课程总结,本系列文章代码注释为主。
    理论部分搬至博客上比较耗费时间,所以缺少理论部分。但是也欢迎大家一起探讨学习。
    如果需要理论部分的讲义,可私信(个人觉的讲的很好很全)。

文章目录

问题需求

现有如下样本:

(0,0), (2,1),(2,-1), (2.1,0),(4.1,0), (5,0)

请分别使用如下初始值利用K-means求解聚类中心,其中类别数k=3。

1、(2.1,0),(4.1,0), (5,0)

2、(0,0), (2.1,0),(4.1,0)

3、(0,0), (4.1,0), (5,0)

你发现了什么问题?能够得到什么结论?

代码

在这里插入图片描述

# -*- coding: utf-8 -*-#
# Author: xhc
# Date:    2021-05-18 20:33
# project:  0518
# Name:    k-mean.py



from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt
X = np.array([[0,0],[2,1],[2,-1],[2.1,0],[4.1,0],[5,0]])
shape1=np.array([[2.1,
  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

Windalove

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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