标签：line pyplot result return false com 图片 距离 清空
作为聚类的代表算法，k-means本属于NP难问题，通过迭代优化的方式，可以求解出近似解。
伪代码如下：
1，算法部分
距离采用欧氏距离。参数默认值随意选的。
import numpy as np def k_means(x,k=4,epochs=500,delta=1e-3): # 随机选取k个样本点作为中心 indices=np.random.randint(0,len(x),size=k) centers=x[indices] # 保存分类结果 results=[] for i in range(k): results.append([]) step=1 flag=True while flag: if step>epochs: return centers,results else: # 合适的位置清空 for i in range(k): results[i]=[] # 将所有样本划分到离它最近的中心簇 for i in range(len(x)): current=x[i] min_dis=np.inf tmp=0 for j in range(k): distance=dis(current,centers[j]) if distance<min_dis: min_dis=distance tmp=j results[tmp].append(current) # 更新中心 for i in range(k): old_center=centers[i] new_center=np.array(results[i]).mean(axis=0) # 如果新，旧中心不等，更新 # if not (old_center==new_center).all(): if dis(old_center,new_center)>delta: centers[i]=new_center flag=False if flag: break # 需要更新flag重设为True else: flag=True step+=1 return centers,results def dis(x,y): return np.sqrt(np.sum(np.power(x-y,2)))
2，验证
我随机出了一些平面上的点，然后对其分类。
x=np.random.randint(0,50,size=100) y=np.random.randint(0,50,size=100) z=np.array(list(zip(x,y))) import matplotlib.pyplot as plt %matplotlib inline plt.plot(x,y,‘ro‘)
首先看看未分类之前的，当然也是跟分类后的分布是一样的。
然后看看分类后的结果：
centers,results=k_means(z) color=[‘ko‘,‘go‘,‘bo‘,‘yo‘] for i in range(len(results)): result=results[i] plt.plot([res[0] for res in result],[res[1] for res in result],color[i]) plt.plot([res[0] for res in centers],[res[1] for res in centers],‘ro‘) plt.show()
可以看出，4个分类还是挺合理的。
再增加k=5试试，多执行几次看看。
centers,results=k_means(z,k=5) color=[‘ko‘,‘go‘,‘bo‘,‘yo‘,‘co‘] for i in range(len(results)): result=results[i] plt.plot([res[0] for res in result],[res[1] for res in result],color[i]) plt.plot([res[0] for res in centers],[res[1] for res in centers],‘ro‘) plt.show()
可以看出，此算法对初值很敏感。
_^v^_
标签：line pyplot result return false com 图片 距离 清空
原文地址：https://www.cnblogs.com/lunge-blog/p/11657415.html
