1. 算法步驟

• 隨機選取k個樣本點充當k個簇的中心點；
• 計算所有樣本點與各個簇中心之間的距離，然后把樣本點劃入最近的簇中；
• 根據簇中已有的樣本點，重新計算簇中心；
• 重復步驟2和3，直到簇中心不再改變或改變很小。

2. 手動Python實現

import numpy as np import matplotlib.pyplot as plt from sklearn.datasets.samples_generator import make_blobsn_data = 400 n_cluster = 4 # generate training data X, y = make_blobs(n_samples=n_data, centers=n_cluster, cluster_std=0.60, random_state=0)# generate centers of clusters centers = np.random.rand(4, 2)*5EPOCH = 10 tol = 1e-5 for epoch in range(EPOCH):labels = np.zeros(n_data, dtype=np.int)# 計算每個點到簇中心的距離并分配labelfor i in range(n_data):distance = np.sum(np.square(X[i]-centers), axis=1)label = np.argmin(distance)labels[i] = label# 重新計算簇中心for i in range(n_cluster):indices = np.where(labels == i)[0] # 找出第i簇的樣本點的下標points = X[indices]centers[i, :] = np.mean(points, axis=0) # 更新第i簇的簇中心plt.scatter(X[:, 0], X[:, 1], c=labels, s=40, cmap='viridis') plt.show()

運行結果：(注：當簇中心初始化不好時，可能計算會有點錯誤)

3. 調用sklearn實現kmeans

''' 遇到問題沒人解答？小編創建了一個Python學習交流QQ群：778463939 尋找有志同道合的小伙伴，互幫互助,群里還有不錯的視頻學習教程和PDF電子書！ ''' import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets.samples_generator import make_blobs# Generate some data X, y = make_blobs(n_samples=400, centers=4, cluster_std=0.60, random_state=0)# kmeans clustering kmeans = KMeans(4, random_state=0) kmeans.fit(X) # 訓練模型 labels = kmeans.predict(X) # 預測分類 plt.scatter(X[:, 0], X[:, 1], c=labels, s=40, cmap='viridis') plt.show()

運行結果：

總結

以上是生活随笔為你收集整理的Python手动实现kmeans聚类和调用sklearn实现的全部內容，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。