Scikit-learn的kmeans聚类

KMeans聚类分析实战

最新推荐文章于 2024-08-06 22:04:47 发布

weixin_34067980

最新推荐文章于 2024-08-06 22:04:47 发布

阅读量197

点赞数

文章标签：数据结构与算法人工智能 python

本文介绍了如何使用Python中的Scikit-learn库实现KMeans聚类算法。通过生成随机的二维数据集，并对其进行聚类分析，展示不同类别数据的分布情况。文章详细展示了从数据生成到聚类结果可视化的全过程。

1. 生成随机的二维数据：

import numpy as np  
x1 = np.array([1, 2, 3, 1, 5, 6, 5, 5, 6, 7, 8, 9, 9])  
x2 = np.array([1, 3, 2, 2, 8, 6, 7, 6, 7, 1, 2, 1, 3])  
x = np.array(list(zip(x1, x2))).reshape(len(x1), 2) #先将x1和x2用zip组合，然后再转换成list，最后reshape

print (x)

2.生成聚类标签：

from sklearn.cluster import KMeans  
kmeans=KMeans(n_clusters=3)   #n_clusters:number of cluster  
kmeans.fit(x)  
print (kmeans.labels_)

3.显示聚类效果：

import matplotlib.pyplot as plt  
plt.figure(figsize=(5,5))  
colors = ['b', 'g', 'r']  
markers = ['o', 's', 'D']  
for i,l in enumerate(kmeans.labels_):  
     plt.plot(x1[i],x2[i],color=colors[l],marker=markers[l],ls='None')  
plt.show()