本文為大家分享了Python機(jī)器學(xué)習(xí)之K-Means聚類的實(shí)現(xiàn)代碼，供大家參考，具體內(nèi)容如下

創(chuàng)新互聯(lián)公司主要從事網(wǎng)頁設(shè)計(jì)、PC網(wǎng)站建設(shè)（電腦版網(wǎng)站建設(shè)）、wap網(wǎng)站建設(shè)（手機(jī)版網(wǎng)站建設(shè)）、響應(yīng)式網(wǎng)站開發(fā)、程序開發(fā)、網(wǎng)站優(yōu)化、微網(wǎng)站、小程序制作等，憑借多年來在互聯(lián)網(wǎng)的打拼，我們?cè)诨ヂ?lián)網(wǎng)網(wǎng)站建設(shè)行業(yè)積累了豐富的成都網(wǎng)站建設(shè)、做網(wǎng)站、網(wǎng)站設(shè)計(jì)、網(wǎng)絡(luò)營(yíng)銷經(jīng)驗(yàn)，集策劃、開發(fā)、設(shè)計(jì)、營(yíng)銷、管理等多方位專業(yè)化運(yùn)作于一體。

1.K-Means聚類原理

K-means算法是很典型的基于距離的聚類算法，采用距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對(duì)象的距離越近，其相似度就越大。其基本思想是：以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近他們的對(duì)象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。
算法大致流程為：（1）隨機(jī)選取k個(gè)點(diǎn)作為種子點(diǎn)(這k個(gè)點(diǎn)不一定屬于數(shù)據(jù)集)；（2）分別計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到k個(gè)種子點(diǎn)的距離，離哪個(gè)種子點(diǎn)最近，就屬于哪類；（3）重新計(jì)算k個(gè)種子點(diǎn)的坐標(biāo)(簡(jiǎn)單常用的方法是求坐標(biāo)值的平均值作為新的坐標(biāo)值；（4）重復(fù)2、3步，直到種子點(diǎn)坐標(biāo)不變或者循環(huán)次數(shù)完成。

2.數(shù)據(jù)及其尋找初步的聚類中心

數(shù)據(jù)為Matlab加載格式（mat），包含X變量，數(shù)據(jù)來源為（大家可以去這下載），X為300*2維變量，由于是2維，所以基本上就是在平面坐標(biāo)軸上的一些點(diǎn)中進(jìn)行聚類。

我們首先構(gòu)建初步尋找聚類中心（centroids，質(zhì)心）函數(shù)，再隨機(jī)設(shè)置初始質(zhì)心，通過歐氏距離初步判斷X的每一個(gè)變量屬于哪個(gè)質(zhì)心。代碼為：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
from scipy.io import loadmat

def find_closest_centroids(X, centroids):
  m = X.shape[0]
  k = centroids.shape[0] #要聚類的類別個(gè)數(shù)
  idx = np.zeros(m) 
  
  for i in range(m):
    min_dist = 1000000 #迭代終止條件
    for j in range(k):
      dist = np.sum((X[i,:] - centroids[j,:]) ** 2) 
      if dist < min_dist:
        # 記錄當(dāng)前最短距離和其中心的索引值
        min_dist = dist
        idx[i] = j
  
  return idx
data = loadmat('D:\python\Python ml\ex7data2.mat')
X = data['X']
initial_centroids = np.array([[3, 3], [6, 2], [8, 5]])

idx = find_closest_centroids(X, initial_centroids)
idx[0:3]

網(wǎng)站名稱：Python機(jī)器學(xué)習(xí)之K-Means聚類實(shí)現(xiàn)詳解-創(chuàng)新互聯(lián)
本文URL：http://weahome.cn/article/djpihp.html