kmeans聚类算法python实现鸢尾花数据集,聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用...
1.用python实现K均值算法
K-means是一个反复迭代的过程，算法分为四个步骤：
(x,k,y)
1) 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
def initcenter(x, k): kc
2) 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类；
def nearest(kc, x[i]): j
def xclassify(x, y, kc):y[i]=j
3) 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
def kcmean(x, y, kc, k):
4) 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2)。
while flag:
y = xclassify(x, y, kc)
kc, flag = kcmean(x, y, kc, k)
2. 鸢尾花花瓣长度数据做聚类并用散点图显示。
3. 用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类并用散点图显示.
4. 鸢尾花完整数据做聚类并用散点图显示.
#1.用python实现K均值算法
#K-means是一个反复迭代的过程，算法分为四个步骤：
import numpy as np
x = np.random.randint(1,50,[20,1])
y = np.zeros(20)
k = 3
#1) 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
def initcenter(x,k):
return x[:k]
#2) 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类；
def nearest(kc,i):
d = abs(kc -i)
w = np.where(d == np.min(d))
return w[0][0]
def xclassify(x, y, kc):
for i in range(x.shape[0]):
y[i] = nearest(kc, x[i])
return y
kc = initcenter(x,k)
y = xclassify(x,y,kc)
print(kc,y)
#3) 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
def kcmean(x,y,kc,k):
l = list(kc)
flag = False
for c in range(k):
m = np.where(y ==0)
n = np.mean(x[m])
if l[c] != n:
l[c] = n
flag = True
print(l,flag)
return (np.array(l),flag)
#4) 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2)
kc = initcenter(x,k)
flag = True
print(x,y,kc,flag)
while flag:
y = xclassify(x,y,kc)
kc,flag = kcmean(x,y,kc,k)
print(y,kc)
#2. 鸢尾花花瓣长度数据做聚类并用散点图显示
import numpy as np
from sklearn.datasets import load_iris
iris = load_iris()
x = iris.data[:, 1]
y = np.zeros(150)
def initcent(x, k): # 初始聚类中心数组
return x[0:k].reshape(k)
def nearest(kc, i): # 数组中的值，与聚类中心最小距离所在类别的索引号
d = (abs(kc - i))
w = np.where(d == np.min(d))
return w[0][0]
def kcmean(x, y, kc, k): # 计算各聚类新均值
l = list(kc)
flag = False
for c in range(k):
m = np.where(y == c)
n = np.mean(x[m])
if l[c] != n:
l[c] = n
flag = True # 聚类中心发生变化
return (np.array(l), flag)
def xclassify(x, y, kc):
for i in range(x.shape[0]): # 对数组的每个值分类
y[i] = nearest(kc, x[i])
return y
k = 3
kc = initcent(x, k)
flag = True
print(x, y, kc, flag)
while flag:
y = xclassify(x, y, kc)
kc, flag = kcmean(x, y, kc, k)
print(y, kc, type(kc))
import matplotlib.pyplot as plt
plt.scatter(x,x,c=y,s=50,cmap='rainbow',marker='p',alpha=0.5)
plt.show()
#3.用sklearn.cluster.KMeans，鸢尾花完整数据做聚类并用散点图显示.
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris
iris=load_iris()
print(iris)
X=iris.data
print(X)
from sklearn.cluster import KMeans
est = KMeans(n_clusters=3)
est.fit(X)
kc = est.cluster_centers_
y_kmeans = est.predict(X) #预测每个样本的聚类索引
print(y_kmeans,kc)
print(kc.shape,y_kmeans.shape)
plt.scatter(X[:,0],X[:,1],c=y_kmeans,s=50,cmap='rainbow')
plt.show()
#4. 鸢尾花完整数据做聚类并用散点图显示.
from sklearn.cluster import KMeans
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
data = load_iris()
iris = data.data
petal_len = iris
print(petal_len)
k_means = KMeans(n_clusters=3) #三个聚类中心
result = k_means.fit(petal_len) #Kmeans自动分类
kc = result.cluster_centers_ #自动分类后的聚类中心
y_means = k_means.predict(petal_len) #预测Y值
plt.scatter(petal_len[:,0],petal_len[:,2],c=y_means, marker='p',cmap='rainbow')
plt.show()
