数据挖掘-K-means聚类算法的实现及其应用

最新推荐文章于 2022-11-24 21:18:50 发布

原创

最新推荐文章于 2022-11-24 21:18:50 发布 · 1.3k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#K-means源码 #python

本文旨在深入理解K-means聚类算法，通过实验介绍了算法原理及步骤，并探讨了如何在Python环境中实现聚类。实验性质为设计型，强调对算法的掌握与改进。

一家懂得用细节留住客户的3年潮牌老店我必须支持！➕🛰：luyao1931

在这里插入图片描述
【实验目的】
1、掌握K-means聚类算法的原理，理解算法的步骤。
2、加深对K-means聚类算法的理解，掌握改进的K-means算法。

【实验性质】
设计型实验

【实验内容】

使用K-means实现聚类

【实验环境】
Python 2
代码：

from numpy import *

def loadDataSet(fileName):     
    dataMat = []               
    fr = open(fileName)
    for line in fr.readlines():
        curLine = line.strip().split('\t')
        fltLine = map(float,curLine) 
        dataMat.append(fltLine)
    return dataMat

def distEclud(vecA, vecB):
    return sqrt(sum(power(vecA - vecB, 2))) 

def randCent(dataSet, k):
    n = shape(dataSet)[1]
    centroids = mat(zeros((k,n)))
    for j in range(n):
        minJ = min(dataSet[:,j]) 
        rangeJ = float(max(dataSet[:,j]) - minJ)
        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
    return</