機器學習之K-means聚類分析NBA球員案例

本次案例利用k-means算法分析NBA球員球隊實力，具體采用2種方式實現案例，一種為自己實現，一種為調用sklearn庫，數據來源nba_2013.csv。

k-means的計算理解過程:
1.從集合D中隨機選取k個元素，作為k個簇的各自的中心;
2.分別計算剩下的元素到k個簇中心的相異度,將這些元素分別劃歸到相異度最低的簇;
3.根據聚類結果，重新計算k個簇各自的中心，計算方法是取簇中所有的元素各自維度的算術平均數；
4.將D中全部元素按照新的中心重新聚類；
5.重復第4步，直到聚類結果不再變化；
6.將結果輸出。

2.數據處理及分析

2.1.數據導入
導入數據集
Player-球員名稱
Age–年齡
Bref_team_id–戰隊名
程序編寫：

數據集內容輸出截圖：

2.2取出后衛的數據
程序編寫：

結果截圖：

2.3定義失誤次數及助攻次數
程序編寫：

結果圖展示：

使用K-means聚類時，
第一步：當k=5時，他會隨機選取5個點作為中心點，然后計算所有點到這5個點的距離
第二步：將每一個點劃到不同的簇
第三步：將每一個簇中的點計算橫縱坐標的均值，計算出新的中心點(可以是不是實際的點)
第四步：重新計算每一個點到中心點的距離，重新劃分屬于不同的簇
第五步：不斷的更新中心點，不斷的重新劃分簇，直到再怎么更新中心點，簇里的元素都不再發生變化了

2.4 隨機選出5個點并選出中心點
程序編寫：

2.5 編寫程序輸出初始化后的中心點

點位圖

2.6將中心點的信息保存再字典里：

結果截圖：

2.7計算距離 程序編寫

輸出距離值

2.8對所有數據選擇自己的中心點,進行分類

2.9對每行的數據進行比較，得出這一行數據最近的中心點，屬于這一簇

2.10將結果顯示出來

將分類的數據顯示出來

2.11重新計算中心點

2.12重新計算中心點，對所有點進行重新劃分中心點，并將分類的數據顯示出來

3、利用庫函數實現
導入數據：
from sklearn.cluster import KMeans
調用sklearn的庫函數，只需指定需要分類的個數

結果點位圖

總結

以上是生活随笔為你收集整理的机器学习之K-means聚类分析NBA球员案例的全部內容，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。