计算各聚类中心

任务描述

本关实现一个函数来计算各簇的中心。

相关知识

在前一个关卡中,我们实现了一个函数来计算距离每个样本最近的簇中心,这样每一个样本都有了所属的簇团,从而将一堆数据分成了 n 个簇,也就是 n 个类。

K-means 算法是一个迭代优化算法,每次迭代我们需要重新计算簇的中心。一般就是通过计算每个簇类所有样本的平均值来获得。可以使用 Numpy 里面的 mean 方法np.mean(x,0)来计算均值。

编程任务

本关卡要求你实现函数 estimate_centers,在右侧编辑器 Begin-End 区间补充代码,需要填充的代码块如下:

复制代码
  1. # -*- coding: utf-8 -*-
  2. import numpy as np
  3. def estimate_centers(X, y_estimated, centers):
  4. """重新计算各聚类中心
  5. 参数:
  6. X - numpy二维数组,代表数据集的样本特征矩阵
  7. y_estimated - numpy数组,估计的各个样本的聚类中心索引
  8. n_clusters - 整数,设定的聚类个数
  9. 返回值:
  10. centers - numpy二维数组,各个样本的聚类中心
  11. """
  12. centers = np.zeros((n_clusters, X.shape[1]))
  13. # 请在此添加实现代码 #
  14. #********** Begin *********#
  15. #********** End ***********#
  16. return centers
测试说明

输入一组向量(数据集)、一个数组(每个元素分配的类中心编号)和一组向量(各聚类中心),输出一组向量(各聚类中心)。平台比对函数 estimate_centers 的输出结果与正确结果的差异,只有完全正确才能进入下一关。

代码:

python 复制代码
# -*- coding: utf-8 -*-
def estimate_centers(X, y_estimated, n_clusters):
    """重新计算各聚类中心
    参数:
        X - numpy二维数组,代表数据集的样本特征矩阵
        y_estimated - numpy数组,估计的各个样本的聚类中心索引
        n_clusters - 整数,设定的聚类个数
    返回值:
        centers - numpy二维数组,各个样本的聚类中心
    """
    import numpy as np
    centers = np.zeros((n_clusters, X.shape[1]))
    #   请在此添加实现代码     #
    #********** Begin *********#
    for i in range(n_clusters):
        centers[i] = np.mean(X[y_estimated==i], 0)
    #********** End ***********#
    return centers    
相关推荐
AI小云28 分钟前
【机器学习与实战】回归分析与预测:线性回归-03-损失函数与梯度下降
机器学习
L.fountain2 小时前
机器学习shap分析案例
人工智能·机器学习
weixin_429630263 小时前
机器学习-第一章
人工智能·机器学习
Cedric11133 小时前
机器学习中的距离总结
人工智能·机器学习
寒月霜华8 小时前
机器学习-数据标注
人工智能·机器学习
Godspeed Zhao13 小时前
自动驾驶中的传感器技术46——Radar(7)
人工智能·机器学习·自动驾驶
limengshi13839213 小时前
机器学习面试:请介绍几种常用的学习率衰减方式
人工智能·学习·机器学习
救救孩子把14 小时前
2-机器学习与大模型开发数学教程-第0章 预备知识-0-2 数列与级数(收敛性、幂级数)
人工智能·数学·机器学习
qingyunliushuiyu15 小时前
BI数据可视化:驱动数据价值释放的关键引擎
数据挖掘·数据分析·数据分析系统·数据分析平台·bi数据可视化
HenrySmale19 小时前
05 回归问题和分类问题
分类·数据挖掘·回归