3.K均值算法

# 扑克牌手动演练k均值聚类过程：选择32张牌，3类
sum11 = 0
sum12 = 0
sum13 = 0
print("第1轮")
for i in range(1, 2):
    sum11 = sum11+i*4
print("牌为1类求平均值，得到新的中心为：", sum11 / 4)

for i in range(2, 3):
    sum12 = sum12+i*4
print("牌为2类求平均值，得到新的中心为：", sum12 / 4)

for i in range(3, 9):
    sum13 = sum13+i*4
print("牌为3类求平均值，得到新的中心为：", sum13 / 24)
sum21 = 0
sum22 = 0
sum23 = 0
print("第2轮")
for i in range(1, 2):
    sum21 = sum21+i*4
print("牌为1类求平均值，得到新的中心为：", sum21 / 4)

for i in range(2, 4):
    sum22 = sum22+i*4
print("牌为2类求平均值，得到新的中心为：", sum22 / 8)

for i in range(4, 9):
    sum23 = sum23+i*4
print("牌为3类求平均值，得到新的中心为：", sum23 / 20)
sum31 = 0
sum32 = 0
sum33 = 0
print("第3轮")
for i in range(1, 2):
    sum31 = sum31+i*4
print("牌为1类求平均值，得到新的中心为：", sum31 / 4)

for i in range(2, 4):
    sum32 = sum32+i*4
print("牌为2类求平均值，得到新的中心为：", sum32 / 8)

for i in range(4, 9):
    sum33 = sum33+i*4
print("牌为3类求平均值，得到新的中心为：", sum33 / 20)

import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
from pylab import mpl

# 指定字体，解决plot不能显示中文的问题
mpl.rcParams[‘font.sans-serif‘] = [‘SimHei‘]

iris = load_iris()
print(iris.feature_names)  # 特征名称
n = len(iris.data)   # 鸢尾花花瓣数据的长度
x = iris.data[:, 1]  # 鸢尾花花瓣长度数据
k = 3 # 类簇个数
y = np.zeros(n)  # 初始化数组
# 初始聚类中心数组
# 选择前k个样本作为初始类中心
def initcenter(x, k):
    # # 初始聚类中心数组
    # 选择前k个样本作为初始类中心
    return x[0:k]

def nearest(kc, i):
    d = (abs(kc - i)) #距离绝对值
    w = np.where(d == np.min(d))
    return w[0][0]
def xclassify(x, y, kc):
    for i in range(x.shape[0]):  # 对数组的每个值分类
        y[i] = nearest(kc, x[i])
    return y
# 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
def kcmean(x, y, kc, k):
    li = list(kc)
    flag = False
    for i in range(k):
        m = np.where(y==i)
        n = np.mean(x[m])
        if li[i] !=n:
            li[i]=n
            flag=True # 聚类中心发生变化
    return (np.array(li),flag)
# 判断聚类中心和目标函数的值是否发生改变。
# 获取鸢尾花数据集
kc = initcenter(x, k)
flag = True
while flag:
    y = xclassify(x, y, kc)
    kc, flag = kcmean(x, y, kc, k)
print("聚类结果：", y)
print("聚类中心:", kc)

plt.scatter(x, x, c=y, s=50, cmap=‘rainbow‘)
plt.title("自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类的散点图")
plt.show()

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from pylab import mpl

# 指定字体，解决plot不能显示中文的问题
mpl.rcParams[‘font.sans-serif‘] = [‘SimHei‘]

# 获取鸢尾花数据集
iris = load_iris()
x = iris.data[:, 1].reshape(-1, 1)  # 鸢尾花花瓣长度数据
# 直接调用sklearn库实现对鸢尾花数据进行聚类分析
model = KMeans(n_clusters=3)  # 构建模型
model.fit(x)  # 训练
y = model.predict(x)  # 预测每个样本的聚类索引
print("预测结果：", y)
kc = model.cluster_centers_   # 聚类中心
print("聚类中心:", kc)
plt.scatter(x[:, 0], x[:, 0], c=y, s=50, cmap=‘rainbow‘)
plt.title("用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类的散点图")
plt.show()

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from pylab import mpl

# 指定字体，解决plot不能显示中文的问题
mpl.rcParams[‘font.sans-serif‘] = [‘SimHei‘]

# 获取鸢尾花数据集
iris = load_iris()
x = iris.data  # 鸢尾花花瓣长度数据
# 直接调用sklearn库实现对鸢尾花数据进行聚类分析
model = KMeans(n_clusters=3)  # 构建模型
model.fit(x)  # 训练
y = model.predict(x)  # 预测每个样本的聚类索引
print("预测结果：", y)
kc = model.cluster_centers_   # 聚类中心
print("聚类中心:", kc)
plt.scatter(x[:, 0], x[:, 1], c=y, s=50, cmap=‘rainbow‘)
plt.title("鸢尾花完整数据做聚类的散点图")
plt.show()