TensorFlow 系列案例（4）及Pytorch 学习（3）实现K-Means聚类算法

最新推荐文章于 2025-06-05 09:06:01 发布

大模型与Agent智能体

最新推荐文章于 2025-06-05 09:06:01 发布

阅读量6.4k

点赞数 7

CC 4.0 BY-SA版权

分类专栏： AI & Big Data案例实战课程

热烈祝贺Gavin大咖2024年北京航空航天大学两本新书《Transformer&ChatGPT解密：原理、源码及案例》、《Transformer& Rasa 解密: 原理、源码及案例》出版发行

本文链接：https://blog.youkuaiyun.com/duan_zhihua/article/details/82384506

AI & Big Data案例实战课程专栏收录该内容

167 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了如何使用TensorFlow和PyTorch实现K-Means聚类算法，详细阐述了算法的基本步骤，并展示了不同实现的运行结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

TensorFlow 系列案例（4）及Pytorch 实现K-Means聚类算法

本文参考网络资料，将通过三种方式实现K-Means聚类算法。（代码均来源于网络，在此致谢互联网人工智能大牛们的奉献）

传统的机器学习K-Means聚类算法
TensorFlow实现K-Means聚类算法
Pytorch实现K-Means聚类算法

K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。

基本步骤
（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（3）重新计算每个（有变化）聚类的均值（中心对象）；
（4）计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤（2）。

K值按WCSS计算方法进行选取。

传统的机器学习K-Means聚类算法：

# -*- coding: utf-8 -*-

import numpy as np
from numpy.linalg import cholesky
import matplotlib.pyplot as plt

sampleNo = 1000 #数据数量
mu =3
# 二维正态分布
mu = np.a