gpt-4-1106-preview· openai
Suzhen/CodeChat
K均值聚类算法的具体代码例子
- User
K均值聚类算法的具体代码例子
- Assistant
下面是一个使用Python中的
scikit-learn库实现的K均值聚类算法的简单例子:首先,请确保您安装了
scikit-learn。如果尚未安装,则可以使用pip命令来安装:pip install scikit-learn下面是完整的代码示例:
from sklearn.cluster import KMeans import numpy as np import matplotlib.pyplot as plt # 创建一些模拟数据 X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]) # 使用KMeans算法,指定聚类数为2 kmeans = KMeans(n_clusters=2, random_state=0).fit(X) # 输出聚类的中心点 print("Cluster centers:", kmeans.cluster_centers_) # 输出每个样本所属的聚类标签 print("Labels:", kmeans.labels_) # 预测新的样本点的聚类 new_samples = np.array([[0, 0], [12, 3]]) print("Predictions for new samples:", kmeans.predict(new_samples)) # 可视化结果(假设X只有两个特征,可以绘制二维图形) plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis', marker='o') plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], c='red', marker='x') plt.title('K-Means Clustering') plt.xlabel('Feature 1') plt.ylabel('Feature 2') plt.show()这段代码首先导入必需的模块,并创建了一组简单的二维数据。然后使用
KMeans类来执行聚类,指定要形成的聚集数目为2,并拟合我们之前创建的数据。得到模型后,我们使用
kmeans.cluster_centers_查看聚类的中心点,同时用kmeans.labels_查看每个样本的聚类标签。还可以用kmeans.predict()方法来预测新数据点的聚类。最后,代码使用
matplotlib库可视化聚类结果。每个数据点按其聚类标签着色,而聚类中心则标记为红色的叉号。这个可视化只适用于两个特征的数据集,如果您有更多特征,则无法在二维图中展现所有特征,可能需要使用降维技术(如PCA)来可视化高维数据的聚类效果。