聚类算法大揭秘🔍✨
聚类算法是机器学习中常用的无监督学习方法，用于将相似的数据点分组。它广泛应用于客户细分、图像分割、异常检测等领域。下面介绍几种经典的聚类算法，并附上代码示例！
1.K-Means聚类🎯
K-Means是最常见的聚类算法，通过迭代将数据划分为K个簇。
```python
fromsklearn.clusterimportKMeans
importnumpyasnp
生成随机数据
X=np.random.rand(100,2)
训练K-Means模型
kmeans=KMeans(n_clusters=3)
kmeans.fit(X)
预测簇标签
labels=kmeans.predict(X)
print(labels)
```
2.层次聚类(HierarchicalClustering)🌳
层次聚类通过构建树状图（Dendrogram）来划分数据，适合小规模数据集。
```python
fromsklearn.clusterimportAgglomerativeClustering
importmatplotlib.pyplotasplt
fromscipy.cluster.hierarchyimportdendrogram,linkage
计算层次聚类
Z=linkage(X,method='ward')
绘制树状图
plt.figure(figsize=(10,5))
dendrogram(Z)
plt.show()
```
3.DBSCAN(基于密度的聚类)🌌
DBSCAN适用于发现任意形状的簇，并能识别噪声点。
```python
fromsklearn.clusterimportDBSCAN
训练DBSCAN模型
dbscan=DBSCAN(eps=0.3,min_samples=5)
clusters=dbscan.fit_predict(X)
print(clusters)-1表示噪声点
```
4.高斯混合模型(GMM)🎲
GMM假设数据由多个高斯分布混合而成，适用于概率聚类。
```python
fromsklearn.mixtureimportGaussianMixture
训练GMM模型
gmm=GaussianMixture(n_components=3)
gmm.fit(X)
预测簇概率
probs=gmm.predict_proba(X)
print(probs)
```
总结📌
-K-Means：简单高效，但需指定K值。
-层次聚类：适合小数据，可视化直观。
-DBSCAN：自动发现簇，抗噪声强。
-GMM：适用于概率分布数据。
选择合适的聚类算法，能让你的数据分析事半功倍！🚀💡