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(xiàn)案例，一種為自己實現(xiàn)，一種為調(diào)用sklearn庫，數(shù)據(jù)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(jù)聚類結(jié)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(shù)平均數(shù)；
4.將D中全部元素按照新的中心重新聚類；
5.重復(fù)第4步，直到聚類結(jié)果不再變化；
6.將結(jié)果輸出。

2.數(shù)據(jù)處理及分析

2.1.數(shù)據(jù)導(dǎo)入
導(dǎo)入數(shù)據(jù)集
Player-球員名稱
Age–年齡
Bref_team_id–戰(zhàn)隊名
程序編寫：

數(shù)據(jù)集內(nèi)容輸出截圖：

2.2取出后衛(wèi)的數(shù)據(jù)
程序編寫：

結(jié)果截圖：

2.3定義失誤次數(shù)及助攻次數(shù)
程序編寫：

結(jié)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(fā)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(jié)果截圖：

2.7計算距離 程序編寫

輸出距離值

2.8對所有數(shù)據(jù)選擇自己的中心點,進行分類

2.9對每行的數(shù)據(jù)進行比較，得出這一行數(shù)據(jù)最近的中心點，屬于這一簇

2.10將結(jié)果顯示出來

將分類的數(shù)據(jù)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(shù)據(jù)顯示出來

3、利用庫函數(shù)實現(xiàn)
導(dǎo)入數(shù)據(jù)：
from sklearn.cluster import KMeans
調(diào)用sklearn的庫函數(shù)，只需指定需要分類的個數(shù)

結(jié)果點位圖

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。