聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用

最新推荐文章于 2024-07-13 10:03:54 发布

weixin_30530339

最新推荐文章于 2024-07-13 10:03:54 发布

阅读量56

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能数据结构与算法 python

原文链接：http://www.cnblogs.com/woo-616366/p/9945570.html

本文详细介绍了如何使用Python的NumPy库实现K-means聚类算法，包括初始化聚类中心、计算最近距离、分类数据点以及更新聚类中心等步骤。通过具体的代码示例，读者可以深入了解K-means算法的工作原理。

import numpy as np
 
x=np.random.randint(1,100,[20,1])
y=np.zeros(20)
k=3
 
def initcent(x,k):   #初始聚类中心数组
    return x[0:k].reshape(k)
def nearest(kc,i):      #数组中的值，与聚类中心最小距离所在类别的索引号
    d=(abs(kc-i))
    w=np.where(d==np.min(d))
    return w[0][0]
def xclassify(x,y,kc):
    for i in range(x.shape[0]):   #对数组的每个值分类
        y[i]=nearest(kc,x[i])
    return y
def kcmean(x,y,kc,k):    #计算各聚类新均值
    l=list(kc)
    flag = False
    for c in range(k):
        m=np.where(y==c)
        n=np.mean(x[m])
        if l[c]!=n:
            l[c]=n
            flag=True
    return(np.array(l),flag)
kc = initcent(x,k)
flag = True
print(x,y,kc,flag)
while flag:
    y=xclassify(x,y,kc)
    kc,flag=kcmean(x,y,kc,k)
    print(y,kc)