微信公眾號：嶺南見聞

關注可了解更多的數據處理技巧。問題或建議，請公眾號留言;

如果你覺得文章對你有幫助，歡迎贊賞

導入數據，進行聚類from?sklearn.datasets?import?load_iris

from?sklearn.preprocessing?import?MinMaxScaler

from?sklearn.cluster?import?KMeans

import?pandas?as?pd

iris?=?load_iris()

iris_data?=?iris['data']?##提取數據集中的特征

kmeans聚類iris_target?=?iris['target']?##?提取數據集中的標簽

iris_names?=?iris['feature_names']?###?提取特征名

scale?=?MinMaxScaler().fit(iris_data)##?訓練規則

iris_dataScale?=?scale.transform(iris_data)?##?應用規則

kmeans?=?KMeans(n_clusters?=?3,

random_state=123).fit(iris_dataScale)?##構建并訓練模型

print('構建的K-Means模型為：\n',kmeans)

result?=?kmeans.predict([[1.5,1.5,1.5,1.5]])

print('花瓣花萼長度寬度全為1.5的鳶尾花預測類別為：',?result[0])

print('聚類結果為：',?kmeans.labels_)

降維后可視化from?sklearn.manifold?import?TSNE

import?matplotlib.pyplot?as?plt

##使用TSNE進行數據降維,降成兩維

tsne?=?TSNE(n_components=2,init='random',

random_state=177).fit(iris_data)

df=pd.DataFrame(tsne.embedding_)?##將原始數據轉換為DataFrame

df['labels']?=?kmeans.labels_?##將聚類結果存儲進df數據表

##提取不同標簽的數據

df1?=?df[df['labels']==0]

df2?=?df[df['labels']==1]

df3?=?df[df['labels']==2]

##?繪制圖形

fig?=?plt.figure(figsize=(9,6))?##設定空白畫布，并制定大小

##用不同的顏色表示不同數據

plt.plot(df1[0],df1[1],'bo',df2[0],df2[1],'r*',

df3[0],df3[1],'gD')

plt.show()?##顯示圖片

結果為：

聚類結果

FMI評價分值from?sklearn.metrics?import?fowlkes_mallows_score

for?i?in?range(2,7):

##構建并訓練模型

kmeans?=?KMeans(n_clusters?=?i,random_state=123).fit(iris_data)

score?=?fowlkes_mallows_score(iris_target,kmeans.labels_)

print('iris數據聚%d類FMI評價分值為：%f'?%(i,score))

silhouette_score評分值from?sklearn.metrics?import?silhouette_score

import?matplotlib.pyplot?as?plt

silhouettteScore?=?[]

for?i?in?range(2,15):

##構建并訓練模型

kmeans?=?KMeans(n_clusters?=?i,random_state=123).fit(iris_data)

score?=?silhouette_score(iris_data,kmeans.labels_)

silhouettteScore.append(score)

plt.figure(figsize=(10,6))

plt.plot(range(2,15),silhouettteScore,linewidth=1.5,?linestyle="-")

plt.show()

calinski_harabaz指數from?sklearn.metrics?import?calinski_harabaz_score

for?i?in?range(2,7):

##構建并訓練模型

kmeans?=?KMeans(n_clusters?=?i,random_state=123).fit(iris_data)

score?=?calinski_harabaz_score(iris_data,kmeans.labels_)

print('iris數據聚%d類calinski_harabaz指數為：%f'%(i,score))#讀取數據，進行標準化

from?sklearn.preprocessing?import?StandardScaler

from?sklearn.cluster?import?KMeans

seeds?=?pd.read_csv('D:/seeds_dataset.txt',sep?=?'\t')

print('數據集形狀為：',?seeds.shape)

##?處理數據

seeds_data?=?seeds.iloc[:,:7].values

seeds_target?=?seeds.iloc[:,7].values

sees_names?=?seeds.columns[:7]

stdScale?=?StandardScaler().fit(seeds_data)

seeds_dataScale?=?stdScale.transform(seeds_data)

構建并訓練模型

kmeans = KMeans(n_clusters = 3,random_state=42).fit(seeds_data)

print('構建的KM-eans模型為：\n',kmeans)

kmeans.labels_結果為：

聚類結果為：?[1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1?1

1?1?1?1?1?1?1?1?1?1?1?1?1?0?2?0?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2

2?2?2?0?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?2?0?2?0?0?0?0?2?0?0?0?0

0?0?2?0?0?0?0?0?2?0?2?0?2?0?0?2?2?0?0?0?0?0?2?2?0?0?0?2?0?0?0?2?0?0?0?2?0

0?2]

calinski_harabaz指數from?sklearn.metrics?import?calinski_harabaz_score

for?i?in?range(2,7):

##構建并訓練模型

kmeans?=?KMeans(n_clusters?=?i,random_state=12).fit(seeds_data)

score?=?calinski_harabaz_score(seeds_data,kmeans.labels_)

print('seeds數據聚%d類calinski_harabaz指數為：%f'%(i,score))

進行可視化from?sklearn.manifold?import?TSNE

import?matplotlib.pyplot?as?plt

##使用TSNE進行數據降維,降成兩維

tsne?=?TSNE(n_components=2,init='random',

random_state=177).fit(seeds_data)

df=pd.DataFrame(tsne.embedding_)?##將原始數據轉換為DataFrame

df['labels']?=?kmeans.labels_?##將聚類結果存儲進df數據表

df['labels'].value_counts()

df0?=?df[df['labels']==0]

df1?=?df[df['labels']==1]

df2?=?df[df['labels']==2]

df3?=?df[df['labels']==3]

df4?=?df[df['labels']==4]

df5?=?df[df['labels']==5]

plt.plot(df0[0],df0[1],'go',df1[0],df1[1],'bo',df2[0],df2[1],'r*',

df3[0],df3[1],'kD',??df4[0],df4[1],'cD',??df5[0],df5[1],'mD')

plt.plot(df0[0],df0[1],'go',df1[0],df1[1],'bo',df2[0],df2[1],'r*')#,

#df3[0],df3[1],'kD',??df4[0],df4[1],'cD',??df5[0],df5[1],'mD')

結果為：

聚為5類

聚為3類

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python聚类的结果显示_使用Python进行聚类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。