sinat_28981497的博客

DBSCAN算法是一种基于密度聚类算法： - 聚类的时候不需要预先指定簇的个数 - 最终簇的个数不一定DBSCAN算法将数据点分为三类： - 核心点：在半斤EPS内含有超过MinPts数目的点 - 边界点：在半斤EPS内点的数量小于MinPts，但是落在核心点的领域内 算法流程： 1. 对所有点计算其领域Eps=distance内的点的集合 2. 集合内的点个数超过MinP

K-means聚类算法也称作K均值算法。以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，簇间相似度较低，随机选择k个点作为初始聚类中心对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇对每个簇，计算所有点的均值作为新的聚类中心重复2，3直到聚类中心不再发生改变 import numpy as npfrom sklearn.cluster import KMeansimpor

import matplotlib.pyplot as pltfrom sklearn.decomposition import PCAfrom sklearn.datasets import load_irisfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.cross_validation import trai

from sklearn.datasets import load_boston, load_irisfrom sklearn.linear_model import LinearRegressionfrom sklearn.neighbors import KNeighborsClassifierimport numpy as npfrom sklearn import preproces

from sklearn.cluster import KMeansimport numpy as npimport PIL.Image as imagedef loadData(filePath): f = open(filePath, 'rb') data = [] img = image.open(f) #PIL.Image.open(图片路径） m, n

import numpy as npimport pandas as pdfrom sklearn.preprocessing import Imputer #预处理函数 处理缺失值from sklearn.model_selection import train_test_split #自动分成训练集和测试集from sklearn.metrics import classificati