作业

最新推荐文章于 2018-11-12 10:51:00 发布

weixin_33800463

最新推荐文章于 2018-11-12 10:51:00 发布

阅读量60

点赞数

CC 4.0 BY-SA版权

文章标签： python

原文链接：http://www.cnblogs.com/PMAM/p/9944591.html

本文详细介绍了K-means聚类算法的实现过程，包括初始化聚类中心、分配数据点到最近的聚类中心、更新聚类中心以及判断算法收敛的步骤。通过Python代码示例，展示了如何使用NumPy库进行数据生成和处理，以及如何实现K-means算法的核心逻辑。

import numpy as np
x = np.random.randint(1,50,[20,1])
y = np.zeros(20)
k = 3
#1） 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
def initcen(x,k):
    return x[:k]
#2） 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类；
def nearest(kc,i):
    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]):
        y[i] = nearest(kc,x[i])
        return y
 
#3） 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
 
def kcmean(x,y,kc,k):
    l = list(kc)
    flag = False
    for c in range(k):
        m = np.where(y ==0)
        n = np.mean(x[m])
        if l[c] != n:
            l[c] = n
            flag = True
            print(l,flag)
    return (np.array(l),flag)
#4） 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2）
kc = initcen(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)

转载于:https://www.cnblogs.com/PMAM/p/9944591.html