KMeans和KNN的联合演习

机器学习

没有免费午餐定理和三大机器学习任务
如何对模型进行评估
K-Means(K均值聚类)原理及代码实现
KNN(K最近邻算法)原理及代码实现
KMeans和KNN的联合演习

---

---

前言

现在，我们已经有了一个聚类算法KMeans和一个分类算法KNN。
我们随机生成一个数据集来进行测试。

---

1.导入必要的头文件：

# 之前完成的代码
from KMeans import KMeans, plotKmeans
from KNN import KNN, plotKNN
import random
import numpy as np

2.随机生成二维数据用以测试：

if __name__ == '__main__':
    # 随机生成二维点图用以测试
    points = []
    data = []
    i = 0
    # 数据是不重复的
    while i < 30:
        point = [random.randint(1, 10), random.randint(1, 10)]
        if point not in points:
            points.append(point)
            data.append(np.array(point, dtype='float64'))
            i += 1

3.使用Kmeans将数据聚为四类

    cluster = KMeans(data, 4)
    cluster.cluster()
    # 绘制类别图
    plotKmeans(cluster)

4.给data添加标签：

    data = []
    for i in range(cluster.k):
        for item in cluster.clusters[i]:
            data.append(np.r_[item, np.array([i])])
    random.shuffle(data)

    n = 4
    test_data = data[:n]
    test_data_labels = []
    for i in range(len(test_data)):
        test_data_labels.append(test_data[i][-1])
        test_data[i] = test_data[i][:-1]
    train_data = data[n:]

5.使用KNN分类：

    correct = 0
    incorrect = 0
    classifier = KNN(train_data, test_data, 5, 'E')
    classifier.classify()
    result = classifier.result

    for i in range(len(test_data)):
        if test_data_labels[i] == result[i]:
            correct += 1
        else:
            incorrect += 1
    print("Correct: " + str(correct))
    print("Incorrect: " + str(incorrect))
    print("AC Rate: {:.2f}%".format(100 * (correct / (correct + incorrect))))
    plotKNN(classifier)

---

结果