欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python如何通過手肘法實現(xiàn)k_means聚類詳解

 更新時間:2023年04月20日 10:25:09   作者:河啊  
K-means聚類算法是一種常見的無監(jiān)督學習算法,用于將數(shù)據(jù)集分成k個不同的簇,下面這篇文章主要給大家介紹了關于Python如何通過手肘法實現(xiàn)k_means聚類的相關資料,需要的朋友可以參考下

1.導入matplotlib.pylab和numpy包

import matplotlib.pylab as plt
import numpy as np

2.定義實現(xiàn)需要用到的函數(shù)

(1)計算兩點距離

# 計算兩點距離
def distance(a, b):
    return np.sqrt((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2)

(2)取集合的中心點

# 取集合中心點
def means(arr):
    x = 0
    y = 0
    for i in range(len(arr)):
        x += arr[i][0]
        y += arr[i][1]
    if len(arr) > 0:
        x /= len(arr)
        y /= len(arr)
    return np.array([x, y])

(3)尋找下一個聚類中心點,其距離已找到的聚類中心點最遠,用于初始化聚類中心

# 尋找距離已加入聚類中心數(shù)組最遠的點,用于初始化聚類中心
def farthest(k_arr, arr):
    point = [0, 0]
    max_dist = 0
    for e in arr:
        dist = 0
        for i in range(len(k_arr)):
            dist += distance(k_arr[i], e)
        if dist > max_dist:
            max_dist = dist
            point = e
    return point

3.k_means方法

(1)先讀取表中的數(shù)據(jù)

(2)如何隨機獲取其中一個點作為第一個聚類中心

(3)接下來每次獲取距離之間所有聚類中心點最遠的點作為下一個聚類中心點

(4)每次迭代時,遍歷集合中的所有點,將其加入距離最小的聚類中心點數(shù)組中,更新聚類中心

(5)最后將數(shù)據(jù)可視化,返回分類好的數(shù)組

def k_means(k):
    # 讀取數(shù)據(jù)
    kmeans_data = np.genfromtxt('kmeans_data.txt', dtype=float)
    # 初始化
    r = np.random.randint(len(kmeans_data) - 1)
    k_arr = np.array([kmeans_data[r]])
    class_arr = [[]]
    for i in range(k - 1):
        k_arr = np.concatenate([k_arr, np.array([farthest(k_arr, kmeans_data)])])
        class_arr.append([])

    # 迭代聚類
    n = 20
    class_temp = class_arr
    for i in range(n):  # 迭代次數(shù)
        class_temp = class_arr
        for e in kmeans_data:  # 把集合中的每一個點聚到離它最近的類
            k_idx = 0  # 假設距離第一個聚類中心最近
            min_d = distance(e, k_arr[0])
            for j in range(len(k_arr)):  # 獲取距離該元素最近的聚類中心
                if distance(e, k_arr[j]) < min_d:
                    min_d = distance(e, k_arr[j])
                    k_idx = j
            class_temp[k_idx].append(e)  # 把該元素加到對應的類中
        # 更新聚類中心
        for l in range(len(k_arr)):
            k_arr[l] = means(class_temp[l])
    # 將數(shù)據(jù)可視化
    col = ['red', 'blue', 'yellow', 'green', 'pink', 'black', 'purple', 'orange', 'brown']
    for i in range(k):
        plt.scatter(k_arr[i][0], k_arr[i][1], linewidths=10, color=col[i])
        plt.scatter([e[0] for e in class_temp[i]], [e[1] for e in class_temp[i]], color=col[i])
    plt.show()
    # 返回分類好的簇
    return class_temp

4.手肘法獲取最佳的k值

(1)遍歷k值的范圍,從1到9

(2)kmeans獲取分類好的數(shù)組

(3)遍歷kmeans計算對應的SSE

(4)畫出對應k值的SSE的折線圖

# 通過肘部觀察法獲取k值
def getK():
    mean_dist = []
    for k in range(1, 10):
        # 獲取分成k簇后的元素
        kmeans = k_means(k)
        sse = 0
        # 計算SSE
        for i in range(len(kmeans)):
            mean = means(kmeans[i])
            for e in kmeans[i]:
                sse += distance(mean, e) ** 2
        mean_dist.append(sse)
    # 化成折線圖觀察最佳的k值
    plt.plot(range(1, 10), mean_dist, 'bx-')
    plt.ylabel('SSE')
    plt.xlabel('k')
    plt.show()

折線圖

5. main函數(shù)

if __name__ == '__main__':
    getK()
    # 通過觀察可知, 4 是最佳的k值
    k_means(4)

散點圖

6. 完整代碼

import matplotlib.pylab as plt
import numpy as np

# 計算兩點距離
def distance(a, b):
    return np.sqrt((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2)

# 取集合中心點
def means(arr):
    x = 0
    y = 0
    for i in range(len(arr)):
        x += arr[i][0]
        y += arr[i][1]
    if len(arr) > 0:
        x /= len(arr)
        y /= len(arr)
    return np.array([x, y])

# 尋找距離已加入聚類中心數(shù)組最遠的點,用于初始化聚類中心
def farthest(k_arr, arr):
    point = [0, 0]
    max_dist = 0
    for e in arr:
        dist = 0
        for i in range(len(k_arr)):
            dist += distance(k_arr[i], e)
        if dist > max_dist:
            max_dist = dist
            point = e
    return point

def k_means(k):
    # 讀取數(shù)據(jù)
    kmeans_data = np.genfromtxt('kmeans_data.txt', dtype=float)
    # 初始化
    r = np.random.randint(len(kmeans_data) - 1)
    k_arr = np.array([kmeans_data[r]])
    class_arr = [[]]
    for i in range(k - 1):
        k_arr = np.concatenate([k_arr, np.array([farthest(k_arr, kmeans_data)])])
        class_arr.append([])

    # 迭代聚類
    n = 20
    class_temp = class_arr
    for i in range(n):  # 迭代次數(shù)
        class_temp = class_arr
        for e in kmeans_data:  # 把集合中的每一個點聚到離它最近的類
            k_idx = 0  # 假設距離第一個聚類中心最近
            min_d = distance(e, k_arr[0])
            for j in range(len(k_arr)):  # 獲取距離該元素最近的聚類中心
                if distance(e, k_arr[j]) < min_d:
                    min_d = distance(e, k_arr[j])
                    k_idx = j
            class_temp[k_idx].append(e)  # 把該元素加到對應的類中
        # 更新聚類中心
        for l in range(len(k_arr)):
            k_arr[l] = means(class_temp[l])
    # 將數(shù)據(jù)可視化
    col = ['red', 'blue', 'yellow', 'green', 'pink', 'black', 'purple', 'orange', 'brown']
    for i in range(k):
        plt.scatter(k_arr[i][0], k_arr[i][1], linewidths=10, color=col[i])
        plt.scatter([e[0] for e in class_temp[i]], [e[1] for e in class_temp[i]], color=col[i])
    plt.show()
    # 返回分類好的簇
    return class_temp

# 通過肘部觀察法獲取k值
def getK():
    mean_dist = []
    for k in range(1, 10):
        # 獲取分成k簇后的元素
        kmeans = k_means(k)
        sse = 0
        # 計算SSE
        for i in range(len(kmeans)):
            mean = means(kmeans[i])
            for e in kmeans[i]:
                sse += distance(mean, e) ** 2
        mean_dist.append(sse)
    # 化成折線圖觀察最佳的k值
    plt.plot(range(1, 10), mean_dist, 'bx-')
    plt.ylabel('SSE')
    plt.xlabel('k')
    plt.show()

if __name__ == '__main__':
    getK()
    # 通過觀察可知, 4 是最佳的k值
    k_means(4)

總結

到此這篇關于Python如何通過手肘法實現(xiàn)k_means聚類的文章就介紹到這了,更多相關Python手肘法實現(xiàn)k_means聚類內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!

相關文章

  • 使用Python下載Bing圖片(代碼)

    使用Python下載Bing圖片(代碼)

    代碼另存為py文件,運行圖片將自動下載到py文件相同目錄,如果覺得每次運行找文件麻煩,可以新建py文件的快捷方式,程序還會自動給下載的圖片命名
    2013-11-11
  • 全網(wǎng)最新用python實現(xiàn)各種文件類型轉換的方法

    全網(wǎng)最新用python實現(xiàn)各種文件類型轉換的方法

    這篇文章主要介紹了用python實現(xiàn)各種文件類型轉換的方法,包括word轉pdf,excel轉pdf,ppt轉pdf,本文通過實例代碼給大家介紹的非常詳細,需要的朋友可以參考下
    2023-05-05
  • 簡單了解python模塊概念

    簡單了解python模塊概念

    這篇文章主要介紹了簡單了解python模塊概念,具有一定借鑒價值,需要的朋友可以參考下
    2018-01-01
  • 利用Python實現(xiàn)自動工作匯報的腳本分享

    利用Python實現(xiàn)自動工作匯報的腳本分享

    這篇文章主要為大家詳細介紹了如何利用Python實現(xiàn)一個自動工作匯報的腳本,文中的示例代碼講解詳細,對我們學習Python有一定幫助,需要的可以參考一下
    2022-08-08
  • python 類之間的參數(shù)傳遞方式

    python 類之間的參數(shù)傳遞方式

    今天小編就為大家分享一篇python 類之間的參數(shù)傳遞方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-12-12
  • Python的NumPy使用之數(shù)組過濾

    Python的NumPy使用之數(shù)組過濾

    這篇文章主要介紹了Python的NumPy使用之數(shù)組過濾,在 NumPy中,我們使用布爾索引列表來過濾數(shù)組布爾索引列表是與數(shù)組中的索引相對應的布爾值列表,需要的朋友可以參考下
    2023-07-07
  • python實現(xiàn)的解析crontab配置文件代碼

    python實現(xiàn)的解析crontab配置文件代碼

    這篇文章主要介紹了python實現(xiàn)的解析crontab配置文件代碼,也可以說是python版的crontab,代碼中包含大量注釋,需要的朋友可以參考下
    2014-06-06
  • 用Python編寫個解釋器實現(xiàn)方法接受

    用Python編寫個解釋器實現(xiàn)方法接受

    計算機只能理解機器碼。歸根結底,編程語言只是一串文字,目的是為了讓人類更容易編寫他們想讓計算機做的事情。真正的魔法是由編譯器和解釋器完成,它們彌合了兩者之間的差距。解釋器逐行讀取代碼并將其轉換為機器碼
    2023-01-01
  • 淺談Python用QQ郵箱發(fā)送郵件時授權碼的問題

    淺談Python用QQ郵箱發(fā)送郵件時授權碼的問題

    下面小編就為大家分享一篇淺談Python用QQ郵箱發(fā)送郵件時授權碼的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-01-01
  • 使用python腳本自動生成K8S-YAML的方法示例

    使用python腳本自動生成K8S-YAML的方法示例

    這篇文章主要介紹了使用python腳本自動生成K8S-YAML的方法示例,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2020-07-07

最新評論