sklearn.KMeans解析

最新推荐文章于 2024-06-24 19:08:35 发布
最新推荐文章于 2024-06-24 19:08:35 发布
阅读量2.7k 收藏 14
点赞数 1
分类专栏： 数据挖掘 文章标签： kmeans算法 数据挖掘 python 聚类 聚类算法
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/youhebuke12138/article/details/110046004
版权

文章目录

sklearn版本

  • scikit-learn 0.23.2

sklearn.KMeans使用实例

  • 实例1 Iris,鸢尾花数据集(UC Irvine Machine Learning Repository)

    Iris可以从sklearn包内部导入，常常用作分类的训练数据集。这里为了方便展示聚类效果(二维在平面图中效果明显)，选取Iris的前两个维度作为聚类依据。代码参见Iris_KMeans.py。左图为全部数据点，右图为KMeans聚类(n_cluseters=3,Iris数据集本就采集自3种鸢尾花)结果，不同颜色代表不同簇。

  • 实例2 RandomData,在二维坐标轴排列成一条直线的随机数据

    这一个例子主要展现不同簇数量(n_cluseters)对聚类效果的影响。为此首先用make_blobs生成属于4个簇的随机点，最后用Calinski-Harabasz Index评估方式为不同簇数量的聚类打分，代码参见RandomData_KMeans.py。最左图为全部数据点。剩余三张图分别为簇数量为3、4、5的KMeans聚类结果。显然n_cluseters=4时效果是最好的。

sklearn.KMeans解析

sklearn中包括KMeans和MiniBatchKMeans两种k-means聚类，后者对大规模数据集进行采样后执行k-means，避免计算量过大。本节分析sklearn.KMeans中的主要函数。

  • KMea

最低0.47元/天 解锁文章
情感大师何以琛
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
python机器学习————使用sklearn实现Iris数据集KMeans聚类
flandreflor的博客
04-23 1万+
首先我们对Iris数据集（鸢尾花数据集）进行简单介绍： 它分为三个类别，即Iris setosa（山鸢尾）、Iris versicolor（变色鸢尾）和Iris virginica（弗吉尼亚鸢尾），每个类别各有50个实例。 数据集定义了五个属性：sepal length（花萼长）、sepal width（花萼宽）、petal length（花瓣长）、petal width（花瓣宽）、class（类别）。 最后一个属性一般作为类别属性，其余属性为数值，单位为厘米。 鸢尾花数据集在sklearn中有保存，我
Python-sklearn库 kmeans均值聚类
m0_46344235的博客
06-12 1568
import seaborn; import pylab as pl seaborn.set() from sklearn import neighbors, datasets iris = datasets.load_iris() #这个是sklearn自带的一个鸢尾花数据集 X, y = iris.data, iris.target #data为训练所需的数据集，target为数据集对应的分类标签 from sklearn.decomposition import PCA #PAC为skle
基于 K-Means 对 IRIS 数据集分类
热门推荐
healingwounds的博客
01-06 1万+
基于sklearn 对 IRIS 数据集分类 关于聚类 聚类（Clustering）是一种无监督学习(unsupervised learning)，简单地说就是把相似的对象归到同一簇中。簇内的对象越相似，聚类的效果越好。 关于 K-Means Ｋ-Means算法是最为经典的基于划分的聚簇方法，是十大经典数据挖掘算法之一。简单的说Ｋ-Means就是在没有任何监督信号的情况下将数据分为K份的一种方法。...
机器学习之SKlearn（scikit-learn）的K-means聚类算法
最新发布
人工智能研究所的博客
06-24 953
Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.
sklearn之k-means聚类算法
weixin_48821464的博客
05-29 3217
听了菜菜的sklearn算法而写的学习笔记概述无监督学习与有监督学习结构化数据与非结构化数据聚类算法与分类算法sklearn中的聚类算法KMeans一最简单的聚类算法KMeans算法工作原理先导概念核心任务算法步骤eg：kmeans将数据分为4个簇衡量KMeans算法效果的指标簇内误差平方和聚出的类应该有什么性质，有什么用处？什么是差异？以欧几里得距离为例衡量差异不同的距离对应着不同的质心和inertia算法复杂度时间复杂度空间复杂度类：sklearn.cluster.KMeans 概述 无监督学习与有监督
sklearn基本用法----K-means
clover_daisy的博客
01-19 4790
K-means（K-均值）        k-means算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。
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_Kmeans_sklearn_
10-02
在Python的科学计算库scikit-learn（简称sklearn）中，KMeans算法得到了广泛的应用和支持。 一、KMeans算法原理 KMeans算法的基本步骤如下： 1. 初始化：选择K个初始质心（通常是随机选取数据集中的K个点）。 2. ...
kMeans_k均值聚类_K均值_Kmeans_K._
09-29
from sklearn.cluster import KMeans import pandas as pd ``` 然后，加载数据集并进行预处理，例如去除异常值、标准化等。接着，创建KMeans对象并指定K值，调用fit方法进行训练： ```python # 假设df为数据集，'...
ImageSeg-KMeans-master_K._kmean_
10-04
from sklearn.cluster import KMeans import numpy as np import cv2 # 读取图像并转换为灰度图 image = cv2.imread('input.jpg', 0) # 将像素值作为特征向量 features = image.reshape(-1, 1) # 创建KMeans对象，...
kmeans图像分割(python),kmeans图像分割python,Python源码.zip
10-15
以下将详细介绍KMeans图像分割的基本原理、Python实现及源码解析。 ### KMeans图像分割基本原理 1. **数据表示**：在图像处理中，每个像素点可以看作一个特征向量，通常由RGB（红绿蓝）三通道的强度值组成。例如，...
【机器学习】聚类算法Kmeans
高朗的博客
10-18 2427
聚类算法kmeans详解
机器学习sklearn----KMeans实例(图片数据矢量量化的应用)
weixin_43776305的博客
12-04 2781
文章目录矢量量化理解KMeans聚类法导入数据采用KMeans矢量化随机质心法 矢量量化理解 矢量量化可以理解为数据的压缩，可以看作是一种降维的过程，只是和我们之前知道的降维算法的理论完全不一样。 举例来说，我们有一张600 x 600 个像素点的图片，每个像素点有一个颜色，那么这个图片上存在的信息就有360000个。图片上有很多的像素点之间的颜色差异微乎其微，那么我们就可以将这些像素点看作是同一个像素点(相当于KMeans的质心)，将这些像素点的颜色替换为同一个颜色。图片的矢量量化就是将每个像素点的颜色用
[Python] 什么是KMeans聚类算法以及scikit-learn中的KMeans使用案例
老狼工作室的博客
02-03 2173
本文主要介绍了什么是KMeans聚类算法以及scikit-learn中的KMeans算法的实现类和具体使用案例。
【机器学习sklearn】K-means聚类算法
Aoyama的博客
12-27 1243
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 k-means：k均值聚类算法前言一、聚类任务性能度量距离度量（distance measure）原型聚类（基于原型的聚类 prototype-based clustering）密度聚类（基于密度的聚类 density-based clustering）层次聚类（hierarchical clustering）二、K均值聚类算法cluster.KMeans()函数make_blobs()函数总结 前言 提示：这里可以添加本文要记录的大概内
sklearn Kmeans
nendie1的博客
03-29 2710
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
sklearn学习05——K-means
qq_42929168的博客
12-27 1122
sklearn学习05——K-means前言一、K-means算法思想二、代码实现 K-means算法2.1、引入相关库2.2、生成数据集2.3、训练 + 预测2.3、惯性指标（inertia）总结 前言 面对无标签的数据集，我们期望从数据中找出一定的规律。一种最简单也最快速的聚类算法应运而生——K-Means。因为数据集无标签，所以它是无监督学习，下面介绍K-means算法思想，然后再调用sklearn相关库代码实现一下。 一、K-means算法思想 其核心思想比较简单，四个字概括的话就是：物以类
sklearn中KMeans重要参数n_clusters
sshi9的博客
03-15 2663
Kmeans KMeans算法将一组N个样本的特征矩阵X划分为K个无交集的簇，直观上来看是簇是一组一组聚集在一起的数 据，在一个簇中的数据就认为是同一类。簇就是聚类的结果表现。 簇中所有数据的均值 通常被称为这个簇的“质心”（centroids）。在一个二维平面中，一簇数据点的质心的 横坐标就是这一簇数据点的横坐标的均值，质心的纵坐标就是这一簇数据点的纵坐标的均值。同理可推广至高维空间。 Kmeans 顺序 过程 1 随机抽取K个样本作为最初的质心 2 开始循环 2.1
sklearn实战-----6.聚类算法K-Means
zjmy的博客
06-16 2607
1 概述 1.1 无监督学习与聚类算法 在过去的五周之内，我们学习了决策树，随机森林，逻辑回归，他们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，即需要特征矩阵X，也需要真实标签y。机器学习当中，还有相当一部分算法属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵X，不需要标签。我们曾经学过的PCA降维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）。这种划分可以基于我们
data=xlsread('D:\usedata\lastdata3.xlsx') data=data(:,1:2) from sklearn.cluster import KMeans from sklearn.metrics import pairwise_distances_argmin def fuzzy_c_means_clustering(X, n_clusters): # 使用 k-means 算法初始化聚类中心 kmeans = KMeans(n_clusters=n_clusters) kmeans.fit(X) centers = kmeans.cluster_centers_ # 调用 fcm 函数进行模糊聚类 u, _, _, _, _, _ = fcm(X, centers, 2, error=1e-5, maxiter=1000) # 找到每个样本所属的聚类 labels = pairwise_distances_argmin(X, centers, axis=1) return u, centers, labels options = [2, 100, 1e-5, 0]; % 运行FCM聚类 [centers,U] = fcm(data, 4, options); % 可视化结果 figure;plot(data(:,1), data(:,2), 'o'); hold on; maxU = max(U); index1 = find(U(1,:) == maxU); index2 = find(U(2,:) == maxU); index3 = find(U(3,:) == maxU); index4 = find(U(4,:) == maxU); line(data(index1,1), data(index1,2), 'linestyle', 'none', 'marker', 'o', 'color', 'g'); line(data(index2,1), data(index2,2), 'linestyle', 'none', 'marker', 'o', 'color', 'r'); line(data(index3,1), data(index3,2), 'linestyle', 'none', 'marker', 'o', 'color', 'b'); line(data(index4,1), data(index4,2), 'linestyle', 'none', 'marker', 'o', 'color', 'c'); plot(centers(1,1), centers(1,2), 'x', 'linewidth', 2, 'markersize', 8, 'color', 'k'); plot(centers(2,1), centers(2,2), 'x', 'linewidth', 2, 'markersize', 8, 'color', 'k'); plot(centers(3,1), centers(3,2), 'x', 'linewidth', 2, 'markersize', 8, 'color', 'k'); plot(centers(4,1), centers(4,2), 'x', 'linewidth', 2, 'markersize', 8, 'color', 'k'); disp('聚类中心：') disp(centers) for i = 1:size(centers,1) disp(['第',num2str(i),'个聚类的范围：']) index = find(U(i,:) == maxU); range = [min(data(index,1)), max(data(index,1)), min(data(index,2)), max(data(index,2))]; disp(range) end代码的问题
05-18
3. 在第10行，MATLAB 中没有类似于 Python 中的列表解析，应该使用 for 循环来生成 options 列表。 4. 在第11行，应该使用分号来结束语句。 5. 在第12行，缺少分号，导致运行结果会输出在命令行窗口中。 6. 在第...
评论 2
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