机器学习第九章聚类Kmeans练习（西瓜数据集4.0）

一、代码部分

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]class Kmeans:def __init__(self,k,epochs,data):''':param k: 聚类族数:param epochs: 迭代轮数:param data: 西瓜数据集二维数组'''self.k = kself.epochs = epochsself.data = dataself.center_points = []# 获取初始随机的聚类中心点for i in range(self.k):self.center_points.append(self.data[np.random.randint(0, len(self.data))])self.center_points = np.array(self.center_points, dtype=float)def calc_dist(self,a):dist = (self.center_points - a)**2mean_dists = np.mean(dist,axis=1)return mean_dists.argmin()def process_iter(self):# kmeans核心迭代过程for i in range(self.epochs):self.cluster = {}for i in range(len(self.data)):index = self.calc_dist(self.data[i])if index not in self.cluster:self.cluster[index] = [self.data[i]]else:self.cluster[index].append(self.data[i])self.upgrade()# 更新中心簇def upgrade(self):for i in range(self.k):# print(self.cluster[i])self.center_points[i] = np.array(self.cluster[i]).mean(axis=0)def get_cluster(self):return self.cluster# 绘图描点函数def plot_scatter(self):# 散点color = ['b','c','g','k','m','r','w','y']for i in range(self.k):x = np.array(self.cluster[i])[:,0]y = np.array(self.cluster[i])[:,1]plt.scatter(x,y,c=color[i])print(self.center_points)# 标记中心向量点x = self.center_points[:,0]y = self.center_points[:,1]plt.scatter(x,y,marker='+',c='r')plt.title('西瓜数据集4.0聚类结果'+'epoch{}'.format(self.epochs))plt.xlabel('密度')plt.ylabel('甜度')plt.show()def load_data():data = pd.read_csv("watermelon4.0.csv")data = pd.DataFrame(data)print(data,data.shape)data_t = []len = data.shape[0]for i in range(len):data_t.append([data["density"][i],data["sugercontent"][i]])return data_tdef main():data = load_data()kmeans = Kmeans(3,100,data)kmeans.process_iter()print(kmeans.get_cluster())kmeans.plot_scatter()if __name__ == '__main__':main()

二、实验结果

2.1 聚类（三个中心向量）

2.2 聚类（四个中心向量）

机器学习第九章聚类Kmeans练习（西瓜数据集4.0）相关推荐

机器学习-第九章聚类
机器学习-第九章聚类 D系鼎溜已关注 2020.02.19 10:36:17字数 3,312阅读 375 9.1 聚类任务在无监督学习任务中,包括了密度估计.异常检测以及聚类等.其中应用最广泛的是 ...
机器学习《西瓜书》9.4解答——k-means算法：编程实现k均值算法，设置三组不同的k值、三组不同初始中心点，在西瓜数据集4.0上进行实验比较，并讨论什么样的初始中心有助于得到好结果。
1.运行结果:(注:图中方块标注的点为随机选取的初始样本点) k=2时: 本次选取的2个初始向量为[[0.243, 0.267], [0.719, 0.103]] 共进行61轮共耗时0.10s k= ...
周志华《机器学习》3.5答案-编程实现线性判别分析，并给出西瓜数据集3.0α上的结果
#机器学习线性判别分析3.5题 import numpy as np import matplotlib.pyplot as plt data = [[0.697, 0.460, 1],[0.774, ...
Stanford机器学习---第九讲. 聚类
本栏目(Machine learning)包括单参数的线性回归.多参数的线性回归.Octave Tutorial.Logistic Regression.Regularization.神经网络.机器学 ...
机器学习（周志华）第九章聚类
关于周志华老师的<机器学习>这本书的学习笔记记录学习过程本博客记录Chapter9 文章目录 1 聚类任务 2 性能度量 3 距离计算 4 原型聚类 4.1 k均值算法 4.2 学习向 ...
机器学习 K均值聚类(K-means) 鸢尾花数据集
聚类的目标是使聚类后的各个簇,具有簇内聚合,簇间分离的特点. 如何度量簇之间,簇内样本之间的差异度?常用距离计算,最常用的是"闵可夫斯基距离"(Minkowski distance ...
《大数据》第七章聚类 K-means算法 BFR算法 CURE算法
1.欧氏空间与非欧空间在了解聚类之前我认为需要先了解欧氏空间与非欧空间的概念,因为在聚类的算法中会根据欧或者非欧有不同的解决方案. 1.1欧氏空间引用看过的一篇文章中的一句话总结:欧几里得空间就是 ...
基于朴素贝叶斯分类器的西瓜数据集 2.0 预测分类_机器学习之朴素贝叶斯
1.贝叶斯原理朴素贝叶斯分类(Naive Bayesian,NB)源于贝叶斯理论,是一类基于概率的分类器,其基本思想:假设样本属性之间相互独立,对于给定的待分类项,求解在此项出现的情况下其他各个类别 ...
机器学习--k均值聚类(K-means)
数据分析入门与实战公众号: weic2c 1.摘要分类作为一种监督学习方法,要求必须事先明确知道各个类别的信息,并且断言所有待分类项都有一个类别与之对应.但是很多时候上述条件得不到满足,尤其是在 ...
跟李沐学AI：实用机器学习 | 第九章
9.1 模型调参手动调参从一个好的基线开始,从工具包或者论文中的设置选择起始参数. 每次调一个超参数的值,观察性能变化. 虽然SGD在参数调得好的情况下模型效果会优于Adam,但是Adam相比于S ...

机器学习第九章聚类Kmeans练习（西瓜数据集4.0）

一、代码部分

二、实验结果

2.1 聚类（三个中心向量）

2.2 聚类（四个中心向量）

机器学习第九章聚类Kmeans练习（西瓜数据集4.0）相关推荐

最新文章

热门文章