1、導入數據

#導入花萼數據 from sklearn.datasets import load_iris iris=load_iris() iris.data

前四列為花萼長度，花萼寬度，花瓣長度，花瓣寬度等4個用于識別鳶尾花的屬性

2、建模

#創建kmeans聚類 from sklearn.cluster import KMeans kmeans=KMeans(n_clusters=3,init='k-means++',random_state=123) #分為三類 y_kmeans=kmeans.fit_predict(iris.data) y_kmeans

可以看出0聚類得很好，但是2當中夾雜著1，1中夾雜著2，1和2存在混淆

3、可視化聚類模型

import matplotlib.pyplot as plt #畫出了三個類的中心點位置 plt.scatter(iris.data[y_kmeans==0,2],iris.data[y_kmeans==0,3],s=100,c='red',label='Cluter 1') plt.scatter(iris.data[y_kmeans==1,2],iris.data[y_kmeans==1,3],s=100,c='blue',label='Cluter 2') plt.scatter(iris.data[y_kmeans==2,2],iris.data[y_kmeans==2,3],s=100,c='green',label='Cluter 3')plt.scatter(kmeans.cluster_centers_[:,2],kmeans.cluster_centers_[:,3],s=100,c='black',label='Controids') plt.legend() plt.show()

從圖上可以看出，第0類為花瓣長度，花瓣寬度較低的類別，第1類為花瓣長度，花瓣寬度居中的類別，圖中黑點為三個類別的中心點

4、模型優化

對于聚類模型，分多少類是關鍵點，每類數據到其中心點的距離之和，值越小據類越好，但是當類別越多，k自然就越小，值對應的也就越小，因此有一種判定方法當快速下降趨于平緩下降的轉折點，為聚類的最好情況。

vess=[] for i in range(1,4):kmeans=KMeans(n_clusters=i,init='k-means++',random_state=42)kmeans.fit(iris.data)vess.append(kmeans.inertia_)#kmeans.inertia_ 每類數據到其中心點的距離之和 plt.plot(range(1,4),vess) plt.show()

可以發現到橫坐標為2時，中心點距離緩慢下降，所以分成兩類會比較好

以上簡單的聚類模型建立完畢啦，后續再優化吧

總結

以上是生活随笔為你收集整理的花瓣长度和花瓣宽度散点图鸢尾花_基于python的鸢尾花简单聚类模型分析的全部內容，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。