K-Means聚类——机器学习

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans #聚类库
from sklearn.datasets._samples_generator import make_blobs #聚类数据生成器
from sklearn import metrics #聚类计算精度库
#n_samples是待生成的样本的总数。
#n_features是每个样本的特征数。
#centers表示类别数。
#cluster_std表示每个类别的方差
x, y = make_blobs(n_samples=500, n_features=2, centers=[[-1,-1], [0,0], [1,1], [2,2]], cluster_std=[0.4, 0.3, 0.1, 0.2])

Mc = list()
for i in range(2,11):
    y_predict = KMeans(n_clusters=i).fit_predict(x)
    CH = metrics.calinski_harabasz_score(x, y_predict)
    Mc.append(CH)
print(Mc)

k = list(range(2,11))

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.xlabel('不同的K值')
plt.ylabel('Calinski-Harabasz值')
plt.title('不同k值和相应的Calinski-Harabasz值的变化曲线。')
plt.plot(k,Mc,marker='o',linestyle='-',c='pink')
for j in range(len(k)):
    plt.text(k[j], Mc[j],format(Mc[j], '.2f'))
plt.show()

#"=========================================================================================="
#画出K=4时聚类效果图。
y_predict = KMeans(n_clusters=4).fit_predict(x)
CH = metrics.calinski_harabasz_score(x,y_predict)

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.xlabel('X')
plt.ylabel('Y')
plt.title('K=4时聚类效果图')
plt.scatter(x[:,0],x[:,1],c=y_predict)
plt.grid(True)
plt.show()