1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类
第一次，随机选取三个聚类中心K,7,6,随后随机抽取30张进行分类
算平均值，三堆牌平均值分别约为12,7,4,然后重新将牌再次分类，按照距离最小分类
再算平均值，三堆牌平均值分别约为12,7,3,然后重新将牌再次分类
最后算得平均值不变，分类结束
2）. *自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类，并用散点图显示。（加分题）
3）. 用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类，并用散点图显示.
from sklearn.datasets import load_iris from sklearn.cluster import KMeans import matplotlib.pyplot as plt iris = load_iris() # 获取鸢尾花数据集 iris.keys() x = iris.data[:,0] #获取鸢尾花花瓣长度数据 x = x.reshape(-1,1) #将数据转换为一列数据 # 直接调用sklearn库实现对鸢尾花数据进行聚类分析 km_model = KMeans(n_clusters=3) # 构建模型 分成三个类 km_model.fit(x) # 训练模型 y = km_model.predict(x) # 预测模型 print("聚类中心:", km_model.cluster_centers_ ) print("预测结果：", y) # 画图 plt.scatter(x[:, 0], x[:, 0], c=y, s=50, cmap='rainbow') plt.show()
结果如下图
4）. 鸢尾花完整数据做聚类并用散点图显示.
from sklearn.datasets import load_iris from sklearn.cluster import KMeans import matplotlib.pyplot as plt iris = load_iris() # 获取鸢尾花数据集 x = iris.data # 鸢尾花完整数据 # 直接调用sklearn库的KMeans实现对鸢尾花数据进行聚类分析 km_model = KMeans(n_clusters=3) # 构建模型 km_model.fit(x) # 训练模型 y = km_model.predict(x) # 预测模型中每个样本的聚类索引 print("聚类中心:", km_model.cluster_centers_ ) print("预测结果：", y) # 画图 plt.scatter(x[:, 2], x[:, 3], c=y, s=50, cmap='rainbow') #x,y,c plt.show()
结果如图所示
5）.想想k均值算法中以用来做什么？