26、27 K-Means

最新推荐文章于 2025-04-02 16:38:42 发布

原创最新推荐文章于 2025-04-02 16:38:42 发布 · 232 阅读

0 ·

CC 4.0 BY-SA版权

数据分析实战专栏收录该内容

20 篇文章

订阅专栏

本文介绍了K-Means算法，它是一种非监督的聚类算法。阐述了其过程，包括随机抽取中心点、分配点成类并重新计算中心点等。还提及使用sklearn的K-Means进行亚洲球队聚类分析，最后进行图像分割实战，如二聚类和分割成16部分，分割需skimage工具包。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

K-Means:非监督，聚类。
过程：
1、随机抽取K个中心点；
2、所有点就近（常用欧式距离）分配成K个类，再重新计算每个类的中心点（平均值）；
3、重复2，直至类不发生变化，或是达到设定的最大迭代次数。

使用sklearn的K-Means:

from sklearn.cluster import KMeans

K-Means类构造函数：

KMeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300, tol=0.0001, precompute_distances='auto', verbose=0, random_state=None, copy_x=True, n_jobs=1, algorithm='auto')

eg:给亚洲球队做聚类分析
如图为各国球队排名情况
在这里插入图片描述
将这些国家分成三个梯队。

from sklearn.cluster import KMeans
from sklearn import preprocessing
import pandas as pd
import numpy as np
data=pd.read_csv('E:\\data exp\\kmeans-master\\kmeans-master\\data.csv',encoding='gbk')
train_x=data[["2019年国际排名","2018世界杯","2015亚洲杯"]]
kmeans=KMeans(n_clusters=3)
mms=preprocessing.MinMaxScaler()
train_mms_x=mms.fit_transform(train_x)
kmeans.fit(train_mms_x)
predict_y=kmeans.predict(train_mms_x)
result=pd.concat((data,pd.DataFrame(predict_y)),axis=1)
result.rename(columns={0:u'聚类'},inplace=True) #将列标题为0的列，重命名为聚类
print(result)

在这里插入图片描述

K-Means实战：进行图像分割

图像分割可以看成是图像纹理，颜色，形状等信息的聚类。
在这里插入图片描述
1、进行二聚类
（图片来自祁连山PS素材）

from PIL import Image
from sklearn import preprocessing
import numpy as np
from sklearn.cluster import KMeans
def load_data(filePath):
    data=[]
    f=open(filePath,'rb')#读取路径
    img=Image.open(f)#读取图像
    width,height=img.size
    for x in range(width):
        for y in range(height):
            c1,c2,c3=img.getpixel((x,y))#得到RGB
            data.append([c1,c2,c3])
    f.close()#关闭图像
    mm=preprocessing.MinMaxScaler()#加速聚类，MinMax规范化
    data=mm.fit_transform(data)
    return np.mat(data),width,height
img,width,height=load_data("E:\\data exp\\kmeans-master\\kmeans-master\\mountain.jpg")
kmeans=KMeans(n_clusters=2)
kmeans.fit(img)
label=kmeans.predict(img)
label=label.reshape([width,height])
pic_mark=Image.new("L",(width,height))
for x in range(width):
    for y in range(height):
        pic_mark.putpixel((x,y),int(256/(label[x][y]+1))-1)
pic_mark.save("bw_mountain.jpg","JPEG")

在这里插入图片描述

2、分割成16部分
对16个类进行颜色分配需要skimage工具包

pip install scikit-image

#颜色空间转换函数
from skimage import color
#将聚类标识矩阵转化为不同颜色的矩阵
label_color = (color.label2rgb(label)*255).astype(np.uint8)
label_color = label_color.transpose(1,0,2)
images = Image.fromarray(label_color)#通过矩阵生成图片
images.save('color.jpg')

在这里插入图片描述