机器学习之--kmeans聚类简单算法实例
import numpy as np
import sklearn.datasets #加载原数据
import matplotlib.pyplot as plt
import random #点到各点距离
def PointToData(point,dataset):
a = np.multiply(dataset - point,dataset - point)
# print('a',a)
distence = np.sqrt(a[:,0]+a[:,1])
return distence #选择初始的k个中心簇
def startpoint(k,dataset):
m, n = np.shape(dataset)
index1 = random.randint(0,len(dataset) - 1)
A = [] # 初始的k个中心簇
A_dit = [] # 初始所有点到中心簇的距离
A.append(dataset[index1])
sum_dis = np.zeros((m, 1))
flag_mat = np.ones((m,1))
flag_mat[index1] = 0
for i in range(0, k - 1):
A_dit.append((PointToData(A[i], dataset)).reshape(-1,1) )
# print('A_dit[{}]:{}'.format(i,A_dit[i]))
sum_dis =(sum_dis + A_dit[i]) * flag_mat
# print('sum_dis[{}]:{}'.format(i,sum_dis))
Index = np.argmax(sum_dis)
flag_mat[Index] = 0
# print('选的Index:',Index)
A.append(dataset[Index])
return A #加载数据
Data = sklearn.datasets.load_iris()
dataset = Data.data[:,0:2] # #小数据测试编码
# test = dataset[0:15,:]
# testm,testn = np.shape(test)
# print(test) #测试k
# k = 4
#初始点测试函数
# Apoint = startpoint(k,test)
# print('Apoint',Apoint)
#距离函数测试
# d = PointToData(test[0,:],test)
# print('d,d+d:',d,d+d) def classfy(dataset,Apoint):
m,n = np.shape(dataset)
dis_li = []
num = 0
for point in Apoint:
distence = PointToData(point,dataset)
dis_li.append(distence)
if num == 0:
dis_li_mat = dis_li[num]
else:
dis_li_mat = np.column_stack((dis_li_mat,dis_li[num]))
num += 1
result = np.argmin(dis_li_mat,axis=1)
# print('dis_li:',dis_li)
# print('dis_li_mat:\n', dis_li_mat)
# print('classfy:',result)
return result
# label2 = classfy(test,Apoint)
# print('label2:',label2) #求分类的新中心
def Center(dataset,label,k):
i = 0
newpoint = []
for index in range(k):
flag = (label==index)
# print('flag,i:',flag,i)
num = sum(flag)
# print('num:',num,index)
a = flag.reshape(-1,1) * dataset
newpoint.append(np.sum(a,axis = 0)/num)
i += 1
# print(newpoint)
return newpoint
# testcenter = center(test,label2,k)
# print('testcenter:',testcenter) #K-means主体函数
def myK(k,dataset):
Startpoint = startpoint(k,dataset)
m,n = np.shape(Startpoint)
centerpoint = Startpoint
labelset = classfy(dataset,Startpoint)
newcenter = Center(dataset,labelset,k)
# print('外:cecnterpoint', centerpoint)
# print('外:newcenter', newcenter)
flag = 0
for i in range(k):
for j in range(n):
if centerpoint[i][j] != newcenter[i][j]:
flag = 1
while flag:
print('循环')
# print('里:cecnterpoint', centerpoint)
# print('里:newcenter', newcenter)
flag = 0
for i in range(k):
for j in range(n):
if centerpoint[i][j] != newcenter[i][j]:
flag = 1
# print('flag:',flag)
centerpoint = newcenter[:]
labelset = classfy(dataset,centerpoint)
newcenter = Center(dataset, labelset, k)
# print('final_resultlabel:',labelset)
# print('cenerpoint:', centerpoint)
return labelset,centerpoint #测试
k=5
final_label,centerpoint = myK(k,dataset)
print('centerpoint:',centerpoint)
mat_center = np.mat(centerpoint) #画图
# plt.scatter(test[:,0],test[:,1],40,10*(labelset+1))
plt.scatter(dataset[:, 0], dataset[:, 1],40,10*(final_label+1))
plt.show()
机器学习之--kmeans聚类简单算法实例的更多相关文章
- 机器学习六--K-means聚类算法
机器学习六--K-means聚类算法 想想常见的分类算法有决策树.Logistic回归.SVM.贝叶斯等.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 ...
- 机器学习中K-means聚类算法原理及C语言实现
本人以前主要focus在传统音频的软件开发,接触到的算法主要是音频信号处理相关的,如各种编解码算法和回声消除算法等.最近切到语音识别上,接触到的算法就变成了各种机器学习算法,如GMM等.K-means ...
- 机器学习-K-means聚类及算法实现(基于R语言)
K-means聚类 将n个观测点,按一定标准(数据点的相似度),划归到k个聚类(用户划分.产品类别划分等)中. 重要概念:质心 K-means聚类要求的变量是数值变量,方便计算距离. 算法实现 R语言 ...
- 菜鸟之路——机器学习之Kmeans聚类个人理解及Python实现
一些概念 相关系数:衡量两组数据相关性 决定系数:(R2值)大概意思就是这个回归方程能解释百分之多少的真实值. Kmeans聚类大致就是选择K个中心点.不断遍历更新中心点的位置.离哪个中心点近就属于哪 ...
- 机器学习:K-Means聚类算法
本文来自同步博客. 前面几篇文章介绍了回归或分类的几个算法,它们的共同点是训练数据包含了输出结果,要求算法能够通过训练数据掌握规律,用于预测新输入数据的输出值.因此,回归算法或分类算法被称之为监督学习 ...
- 【机器学习】K-means聚类算法与EM算法
初始目的 将样本分成K个类,其实说白了就是求一个样本例的隐含类别y,然后利用隐含类别将x归类.由于我们事先不知道类别y,那么我们首先可以对每个样例假定一个y吧,但是怎么知道假定的对不对呢?怎样评价假定 ...
- 机器学习: K-means 聚类
今天介绍机器学习里常见的一种无监督聚类算法,K-means.我们先来考虑在一个高维空间的一组数据集,S={x1,x2,...,xN}" role="presentation&quo ...
- 机器学习之KMeans聚类
零.学习生成测试数据 from sklearn.datasets import make_blobs from matplotlib import pyplot # create test data ...
- 【Python学习笔记】使用python进行kmeans聚类
使用python进行kmeans聚类 假设我们要解决一个这样的问题. 以下是一些同学,大萌是一个学霸,而我们想要找到这些人中的潜在学霸,所以我们要把这些人分为两类--学霸与非学霸. 高数 英语 Pyt ...
随机推荐
- codeforces-1142 (div1)
div1真难,现在就是后悔, 非常后悔 A.显然如果我们知道起点和终点是哪两个点,我们可以算出距离通过b / gcd(a,b)的方式求出需要走几步的. 并且数据范围似乎也允许我们这么做,所以直接枚举取 ...
- 利用GitHub Pages和Bootstrap创建个人网站
作为一名想要想找前端实习的即将毕业的学生,我最近意识到拥有个人网页会使自己的简历更容易被注意到.本文主要是我创建过程及个人心得,有些操作我也是第一次,所以难免在解释中会有错误.另外说明一下,我的电脑是 ...
- 如何设置Maven代理
1.公司的网络走的是代理,那么如何设置maven下载jar包时也走代理呢. 根据百度出来的两篇文章 设置了一下,但是还是报错. Plugin org.apache.maven.plugins:mave ...
- 那些年我们一起追逐的多线程(Thread、ThreadPool、委托异步调用、Task/TaskFactory、Parallerl、async和await)
一. 背景 在刚接触开发的头几年里,说实话,根本不考虑多线程的这个问题,貌似那时候脑子里也有没有多线程的这个概念,所有的业务都是一个线程来处理,不考虑性能问题,当然也没有考虑多线程操作一条记录存在的并 ...
- nginx资料汇总
nginx docker 中的一些目录和 windows下是不同的, 静态内容目录: /usr/share/nginx/html 配置文件目录: /etc/nginx 日志输出目录: /var/log ...
- robot framework
一.步骤 1.创建工程和测试套件 2.创建测试案例 3.写脚本,运行案例 4.查看运行结果 report报告主要是概括性的报告,总结案例执行情况.log报告是更为详细的案例步骤的报告. 二.RIDE工 ...
- How to Create UML in Markdown
Import yuml class format ![](http://yuml.me/diagram/boring/class/[...]) Create your own class Person ...
- python双端队列-collection模块
双端队列(double-ended queue,或者称deque)在需要按照元素增加的顺序来移除元素时非常有用.其中collection模块,包括deque类型. 使用实例:
- pyenv安装及常用命令
1.pyenv安装 #下载安装脚本curl https://pyenv.run | bash #添加环境变量 echo 'export PATH="/root/.pyenv/bin:$PAT ...
- js变量类型和计算
# js入门基础-变量类型和计算 ` --首先由于我使用了一个不太合格的markdown来编写来文章,所以在移动端阅读不要太方便,建议移动端使用横屏模式或pc端阅读,当然如果你有平板那是最好的. -- ...