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
databook23 分钟前
线性模型与多分类问题:简单高效的力量
python·机器学习·scikit-learn
西柚小萌新2 小时前
【深度学习:进阶篇】--2.1.多分类与TensorFlow
分类·数据挖掘·tensorflow
就决定是你啦!6 小时前
机器学习 第一章 绪论
人工智能·深度学习·机器学习
liruiqiang059 小时前
循环神经网络 - 简单循环网络
人工智能·rnn·深度学习·神经网络·机器学习
智能汽车人11 小时前
自动驾驶---学术论文的常客:nuScenes数据集的使用
人工智能·机器学习·自动驾驶
小白的高手之路11 小时前
torch.nn.Conv2d介绍——Pytorch中的二维卷积层
人工智能·pytorch·python·深度学习·神经网络·机器学习·cnn
liruiqiang0512 小时前
循环神经网络 - 通用近似定理 & 图灵完备
人工智能·rnn·深度学习·神经网络·机器学习
Panesle12 小时前
广告推荐算法:COSMO算法与A9算法的对比
人工智能·算法·机器学习·推荐算法·广告推荐
dundunmm13 小时前
【论文阅读】Self-Correcting Clustering
论文阅读·深度学习·数据挖掘·聚类
蹦蹦跳跳真可爱58916 小时前
Python----机器学习(基于PyTorch的线性回归)
人工智能·pytorch·python·机器学习·线性回归