网站建设营销外包公司,网上注册公司流程图文,wordpress添加百度地图吗,哈尔滨干肠制作目录
1.算法流程简介
2.1.K-mean算法核心代码
2.2.K-mean算法效果展示
3.1.肘部法算法核心代码
3.2.肘部法算法效果展示 1.算法流程简介
#k-means聚类方法k-means聚类算法流程:
1.K-mean均值聚类的方法就是先随机选择k个对象作为初始聚类中心.
2.这…目录
1.算法流程简介
2.1.K-mean算法核心代码
2.2.K-mean算法效果展示
3.1.肘部法算法核心代码
3.2.肘部法算法效果展示 1.算法流程简介
#k-means聚类方法k-means聚类算法流程:
1.K-mean均值聚类的方法就是先随机选择k个对象作为初始聚类中心.
2.这个时候你去计算剩余的对象于哪一个聚类中心的距离是最小的,优先分配给最近的聚类中心.
3.分配后,原先的聚类中心和分配给它们的对象就又会被看作一个新聚类.
4.每次进行分配之后,聚类中心又会被重新计算一次
5.直到满足某些终止条件为止:1.没有聚类中心被分配 2.达到了局部的聚类均方误差最小2.1.K-mean算法核心代码
#%%
#1.当k已知且k4时,我们执行k-means算法
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
plt.rcParams[font.family] [sans-serif]
plt.rcParams[font.sans-serif] [SimHei] #散点图标签可以显示中文
#人为大致创建一个比较明显的聚类样本
c1xnp.random.uniform(0.5,1.5,(1,200))
c1ynp.random.uniform(0.5,1.5,(1,200))
c2xnp.random.uniform(3.5,4.5,(1,200))
c2ynp.random.uniform(3.5,4.5,(1,200))
c3xnp.random.uniform(2.5,3.5,(1,200))
c3ynp.random.uniform(2.5,3.5,(1,200))
c4xnp.random.uniform(1.5,2.5,(1,200))
c4ynp.random.uniform(1.5,2.5,(1,200))
xnp.hstack((c1x,c2x,c3x,c4x))
ynp.hstack((c2y,c2y,c3y,c4y))
Xnp.vstack((x,y)).T
#n_cluster设置成4(可以修改)
kemansKMeans(n_clusters4)
resultkemans.fit_predict(X) #训练及预测
for i in range(len(result)):print(第{}个点:({})的分类结果为:{}.format(i1,X[i],result[i]))
x[i[0] for i in X]
y[i[1] for i in X]
plt.scatter(x,y,cresult,marker*,cmaprainbow,s9)
plt.xlabel(x)
plt.ylabel(y)
plt.title(K-means聚类效果图,colorblack)
plt.savefig(C:\\Users\\Zeng Zhong Yan\\Desktop\\K-means聚类效果图.png, dpi500, bbox_inchestight)
plt.show()
2.2.K-mean算法效果展示 3.1.肘部法算法核心代码
#%%
#2.如果k未知的情况下,利用肘部法来求出最优的k肘部法也非常简答,就是假设k1-9,分别求出k1-9之间的平均离差.
绘图观察最陡峭/斜率变化最大的点就是最为合适的k值
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from scipy.spatial.distance import cdist
plt.rcParams[font.family] [sans-serif]
plt.rcParams[font.sans-serif] [SimHei] #使折线图显示中文Krange(1,10)
meanDispersions[]
for k in K:#假设n_clustersk,进行聚类后kemansKMeans(n_clustersk)kemans.fit(X)#计算平均离差m_Dispsum(np.min(cdist(X,kemans.cluster_centers_,euclidean),axis1))/X.shape[0]meanDispersions.append(m_Disp)
result[]
for i in range(len(meanDispersions)-1):print(从第{}个点到第{}个点的斜率绝对值为:{}.format(i1,i2,abs(meanDispersions[i1]-meanDispersions[i])))result.append(abs(meanDispersions[i1]-meanDispersions[i]))
#求解斜率最大值
result_maxmax(result)
print(最大的斜率的绝对值为{}.format(result_max))
print(综上所述最为合适的k值为{}.format(result.index(result_max)2))plt.plot(K,meanDispersions,bx-,labelmeanDispersions,colorred)
plt.xlabel(k)
plt.ylabel(平均离差)
plt.title(肘部法选择K值示意图)
plt.legend()
plt.savefig(C:\\Users\\Zeng Zhong Yan\\Desktop\\肘部法求K值.png, dpi500, bbox_inchestight)
plt.show()
3.2.肘部法算法效果展示
