主頁 > 知識(shí)庫(kù) > Python實(shí)現(xiàn)K-means聚類算法并可視化生成動(dòng)圖步驟詳解

Python實(shí)現(xiàn)K-means聚類算法并可視化生成動(dòng)圖步驟詳解

熱門標(biāo)簽:悟空智電銷機(jī)器人6 遼寧400電話辦理多少錢 荊州云電銷機(jī)器人供應(yīng)商 幫人做地圖標(biāo)注收費(fèi)算詐騙嗎 電信營(yíng)業(yè)廳400電話申請(qǐng) 江蘇房產(chǎn)電銷機(jī)器人廠家 蘇州電銷機(jī)器人十大排行榜 溫州旅游地圖標(biāo)注 外呼不封號(hào)系統(tǒng)

K-means算法介紹

簡(jiǎn)單來說,K-means算法是一種無監(jiān)督算法,不需要事先對(duì)數(shù)據(jù)集打上標(biāo)簽,即ground-truth,也可以對(duì)數(shù)據(jù)集進(jìn)行分類,并且可以指定類別數(shù)目 牧師-村民模型

K-means 有一個(gè)著名的解釋:牧師—村民模型:

有四個(gè)牧師去郊區(qū)布道,一開始牧師們隨意選了幾個(gè)布道點(diǎn),并且把這幾個(gè)布道點(diǎn)的情況公告給了郊區(qū)所有的村民,于是每個(gè)村民到離自己家最近的布道點(diǎn)去聽課。
聽課之后,大家覺得距離太遠(yuǎn)了,于是每個(gè)牧師統(tǒng)計(jì)了一下自己的課上所有的村民的地址,搬到了所有地址的中心地帶,并且在海報(bào)上更新了自己的布道點(diǎn)的位置。
牧師每一次移動(dòng)不可能離所有人都更近,有的人發(fā)現(xiàn)A牧師移動(dòng)以后自己還不如去B牧師處聽課更近,于是每個(gè)村民又去了離自己最近的布道點(diǎn)……
就這樣,牧師每個(gè)禮拜更新自己的位置,村民根據(jù)自己的情況選擇布道點(diǎn),最終穩(wěn)定了下來。

牧師的目的非常明顯,就是要讓每個(gè)來上自己課的村民走的路程最少

算法步驟

  1. 指定k個(gè)中心點(diǎn)
  2. 更新數(shù)據(jù)點(diǎn)所屬類別:計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到這k個(gè)點(diǎn)的歐氏距離,距離最小即為這個(gè)數(shù)據(jù)點(diǎn)的類別
  3. 更新中心點(diǎn)坐標(biāo):對(duì)每一個(gè)類別的數(shù)據(jù)點(diǎn)求平均,平均值即為新的中心點(diǎn)位置

偽代碼

獲取m個(gè)n維的數(shù)據(jù)
隨即選取k個(gè)點(diǎn)作為初始中心點(diǎn)
while keep_changing:
	for i in range(m):
		for j in range(k):
			計(jì)算每個(gè)點(diǎn)到center的距離
			判斷離哪個(gè)點(diǎn)更近
		for center in range(k):
			更新類別中心點(diǎn)的坐標(biāo)

用Python實(shí)現(xiàn)K-means聚類算法

import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets as datasets

def create_data():
    X,y = datasets.make_blobs(n_samples=1000,n_features=2,centers=[[1,0],[5,4],[2,3],[10,8],[7,4]])
    return X,y

def init_centers(data,k):
    m, n =data.shape
    # m 樣本個(gè)數(shù),n特征個(gè)數(shù)
    center_ids = np.random.choice(m,k)
    centers = data[center_ids]
    return centers

def cal_dist(ptA,ptB):
   return np.linalg.norm(ptA-ptB)

def kmeans_process(data,k):
    centers = init_centers(data, k)
    m, n = data.shape
    keep_changing = True
    pred_y = np.zeros((m,))

    while keep_changing:
        keep_changing = False
        # 計(jì)算剩余樣本所屬類別
        for i in range(m):
            min_distance = np.inf
            for center in range(k):
                distance = cal_dist(data[i,:],centers[center,:])
                if distancemin_distance: # 判斷離哪個(gè)更近
                    min_distance = distance
                    idx = center # 類別換下
            if pred_y[i] != idx:   # 判斷是否發(fā)生了改變
                keep_changing = True
            pred_y[i] = idx
        # 更新類別中心點(diǎn)坐標(biāo)
        for center in range(k):
            cluster_data = data[pred_y==center]
            centers[center,:] = np.mean(cluster_data, axis=0) # 求相同類別數(shù)據(jù)點(diǎn)的質(zhì)心點(diǎn)
        print(centers)
    return centers, pred_y

if __name__ == '__main__':
    X, y = create_data()
    centers , pred_y = kmeans_process(data=X, k=5)
    plt.scatter(X[:,0], X[:,1], s=3, c=pred_y)
    plt.scatter(centers[:,0], centers[:,1], s=10, c='k')
    plt.show()

效果圖

到此這篇關(guān)于Python實(shí)現(xiàn)K-means聚類算法并可視化生成動(dòng)圖步驟詳解的文章就介紹到這了,更多相關(guān)Python可視化K-means聚類算法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

您可能感興趣的文章:
  • Python實(shí)現(xiàn)DBSCAN聚類算法并樣例測(cè)試
  • Kmeans均值聚類算法原理以及Python如何實(shí)現(xiàn)
  • Python用K-means聚類算法進(jìn)行客戶分群的實(shí)現(xiàn)
  • python實(shí)現(xiàn)mean-shift聚類算法
  • k-means 聚類算法與Python實(shí)現(xiàn)代碼
  • python聚類算法選擇方法實(shí)例

標(biāo)簽:黃山 景德鎮(zhèn) 三沙 濟(jì)南 喀什 臺(tái)灣 宿遷 欽州

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《Python實(shí)現(xiàn)K-means聚類算法并可視化生成動(dòng)圖步驟詳解》,本文關(guān)鍵詞  Python,實(shí)現(xiàn),K-means,聚類,算法,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《Python實(shí)現(xiàn)K-means聚類算法并可視化生成動(dòng)圖步驟詳解》相關(guān)的同類信息!
  • 本頁收集關(guān)于Python實(shí)現(xiàn)K-means聚類算法并可視化生成動(dòng)圖步驟詳解的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章