k-means 和层次聚类的区别

最新推荐文章于 2025-09-06 13:45:00 发布

原创

最新推荐文章于 2025-09-06 13:45:00 发布 · 2.5k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#聚类 #kmeans #机器学习

本文介绍了两种常见的聚类算法——K-Means和层次聚类。K-Means算法中，先随机选取k个样本点作为初始中心，通过迭代将样本点分配到最近的簇，并更新簇中心，直至簇不再变动。层次聚类则分为凝聚型和分裂型，需要预先设定簇的数量k，其初始质心选择和时间复杂度对结果有一定影响。文中给出了两种算法的Python代码示例，并展示了聚类结果。

k-means

先任取k个样本点作为k个簇的初始中心；
对每一个样本点，计算它们与k个中心的距离，把它归入距离最小的中心所在的簇；
等到所有的样本点归类完毕，重新计算k个簇的中心；
重复以上过程直至样本点归入的簇不再变动。

别人的代码举例

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.cluster import KMeans
from sklearn.datasets.samples_generator import make_blobs
from sklearn import metrics
import matplotlib.pyplot as plt

x,y = make_blobs(n_samples=1000,n_features=4,centers=[[-1,-1],[0,0],[1,1],[2,2]],cluster_std=[0.4,0.2,0.2,0.4],random_state=10)

k_means = KMeans(n_clusters=3, random_state=10)

k_means.fit(x)

y_predict = k_means.predict(x)
plt.scatter(x[:,0],x[:,1],c=y_predict)
plt.show()
print(k_means.predict((x[:30,:])))
print(metrics.calinski_harabaz_score(x,y_predict))
print(k_means.cluster_centers_)
print(k_means.inertia_)
print(metrics.silhouette_score(x,y_predict))
————————————————
版权声明：本文为优快云博主「半路转行程序员」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://