自定义数据集,使用scikit-learn 中K均值包 进行聚类

数据集生成:

  • 使用 make_blobs 函数生成包含300个样本的数据集,设定聚类中心为4个,聚类标准差为0.60,随机种子 random_state = 0 保证每次运行生成的数据相同。

K - 均值模型:

  • 初始化 KMeans 类,设置聚类数 n_clusters = 4 ,并使用 random_state = 0 确保每次运行结果一致。

  • 使用 fit 方法将模型拟合到生成的数据集 X 上。

获取结果:

  • 通过 labels_ 属性获取每个样本的聚类标签。

  • 通过 cluster_centers_ 属性获取聚类中心的坐标。

可视化:

  • 使用 matplotlib 库进行可视化。将样本点根据其聚类标签用不同颜色绘制,聚类中心用红色的 x 标记绘制

import numpy as np

from sklearn.datasets import make_blobs

from sklearn.cluster import KMeans

import matplotlib.pyplot as plt

生成自定义数据集

X, _ = make_blobs(n_samples = 300, centers = 4,

cluster_std = 0.60, random_state = 0)

初始化并拟合K - 均值模型

kmeans = KMeans(n_clusters = 4, random_state = 0)

kmeans.fit(X)

获取聚类标签

labels = kmeans.labels_

获取聚类中心

cluster_centers = kmeans.cluster_centers_

可视化聚类结果

plt.scatter(X[:, 0], X[:, 1], c = labels, cmap='viridis')

plt.scatter(cluster_centers[:, 0], cluster_centers[:, 1], marker='x', s=200, linewidths = 3, color='r')

plt.title('K - Means Clustering')

plt.xlabel('Feature 1')

plt.ylabel('Feature 2')

plt.show()

相关推荐
非门由也27 分钟前
《sklearn机器学习——多标签排序指标》
人工智能·机器学习·sklearn
XZSSWJS31 分钟前
机器学习基础-day06-TensorFlow线性回归
人工智能·机器学习·tensorflow
Wilber的技术分享1 小时前
【大模型实战笔记 1】Prompt-Tuning方法
人工智能·笔记·机器学习·大模型·llm·prompt
博大世界1 小时前
解剖智驾“大脑”:一文读懂自动驾驶系统软件架构
人工智能·机器学习·自动驾驶
Coovally AI模型快速验证2 小时前
无人机小目标检测新SOTA:MASF-YOLO重磅开源,多模块协同助力精度飞跃
人工智能·yolo·目标检测·机器学习·计算机视觉·无人机
beot学AI3 小时前
机器学习之逻辑回归
人工智能·机器学习·逻辑回归
西猫雷婶4 小时前
神经网络|(十九)概率论基础知识-伽马函数·下
人工智能·深度学习·神经网络·机器学习·回归·scikit-learn·概率论
2401_858869804 小时前
支持向量机
算法·机器学习·支持向量机
小王爱学人工智能5 小时前
迁移学习的案例
人工智能·机器学习·迁移学习
Honeysea_705 小时前
容器的定义及工作原理
人工智能·深度学习·机器学习·docker·ai·持续部署