【K-Means算法】{1} —— 使用Python实现K-Means算法并处理iris数据集

Giyn

于 2020-04-23 08:42:41 发布

阅读量2.9k

点赞数 8

分类专栏：【机器学习】文章标签： python 机器学习

本文链接：https://blog.csdn.net/weixin_45961774/article/details/105672566

版权

本文介绍了如何使用Python实现K-Means聚类算法，并通过Iris数据集进行实例演示，详细阐述了算法过程及输出结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

此处基于K-Means算法处理Iris数据集

`KMeans.py`模块：

import numpy as np


class KMeansClassifier():

	"""初始化KMeansClassifier类"""
    def __init__(self, k=3, initCent='random', max_iter=500):
        # 类的成员数据(变量前用下划线)
        self._k = k # 中心点
        self._initCent = initCent # 生成初始中心点
        self._max_iter = max_iter # 最大迭代次数
        self._clusterAssment = None # 点分配结果
        self._labels = None
        self._sse = None # 误差平方和
        
        
    def _calEDist(self, arrA, arrB):
        """计算欧氏距离，参数为一维数组"""
        return np.math.sqrt(sum(np.power(arrA-arrB, 2)))
    
    
    def _calMDist(self, arrA, arrB):
        """计算曼哈顿距离，参数为一维数组"""
        return sum(np.abs(arrA-arrB))


    def _randCent(self, data_X, k):
        """随机选取k个质心，返回一个k*n的质心矩阵"""
        n = data_X.shape[1] # 特征的维度
        centroids = np.empty((k,n)) # 使用numpy生成一个k*n的矩阵，用于存储质心
        for j in range(n):
            minJ =