KMeans聚类图明晰画法

最新推荐文章于 2025-06-30 13:14:14 发布

原创最新推荐文章于 2025-06-30 13:14:14 发布 · 6k 阅读

4 ·

CC 4.0 BY-SA版权

python学习同时被 2 个专栏收录

5 篇文章

订阅专栏

SKlearn

3 篇文章

订阅专栏

本文通过使用Python的scikit-learn库中的K-means算法对由正态分布生成的二维数据点进行聚类分析，并可视化展示聚类效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import os
import scipy as sp
import numpy as np
from scipy.stats import norm
from matplotlib import pylab
from sklearn.cluster import KMeans

xw1 = norm(loc=0.3, scale=.15).rvs(20)
yw1 = norm(loc=0.3, scale=.15).rvs(20

xw2 = norm(loc=0.7, scale=.15).rvs(20)
yw2 = norm(loc=0.7, scale=.15).rvs(20)

xw3 = norm(loc=0.2, scale=.15).rvs(20)
yw3 = norm(loc=0.8, scale=.15).rvs(20)


x = sp.append(sp.append(xw1, xw2), xw3)
y = sp.append(sp.append(yw1, yw2), yw3)

mx, my = sp.meshgrid(sp.arange(0, 1, 0.001), sp.arange(0, 1, 0.001))
km = KMeans(init='random', n_clusters=3, verbose=1,
            n_init=1, max_iter=6)
km.fit(sp.array(list(zip(x, y))))

Z = km.predict(sp.c_[mx.ravel(), my.ravel()]).reshape(mx.shape)
pylab.scatter(x, y)
pylab.imshow(Z, interpolation='nearest',
           extent=(mx.min(), mx.max(), my.min(), my.max()),
           cmap=pylab.cm.Greens,
           aspect='auto', origin='lower')
pylab.show()