第利用Python如何實(shí)現(xiàn)Kkmeans_model=KMeans(self.k,random_state=1)

labels=kmeans_model.fit(self.data).labels_

print(labels)

returnlabels

defkmeans(self):

#獲取4個(gè)隨機(jī)數(shù)

rarray=np.random.random(size=self.k)

#乘以數(shù)據(jù)集大小——數(shù)據(jù)集中隨機(jī)的4個(gè)點(diǎn)

rarray=np.floor(rarray*len(self.data))

#轉(zhuǎn)為int

rarray=rarray.astype(int)

print('數(shù)據(jù)集中隨機(jī)索引',rarray)

#隨機(jī)取數(shù)據(jù)集中的4個(gè)點(diǎn)作為初始中心點(diǎn)

center=data[rarray]

#測試比較偏、比較集中的點(diǎn)，效果依然完美，測試需要?jiǎng)h除以上代碼

#center=np.array([[4.6,-2.5],[4.4,-1.7],[4.3,-0.7],[4.8,-1.1]])

#1行80列的0數(shù)組，標(biāo)記每個(gè)樣本所屬的類(k[i])

cls=np.zeros([len(self.data)],)

print('初始center=\n',center)

run=True

time=0

n=len(self.data)

whilerun:

time=time+1

foriinrange(n):

#求差

tmp=data[i]-center

#求平方

tmp=np.square(tmp)

#axis=1表示按行求和

tmp=np.sum(tmp,axis=1)

#取最?。ㄗ罱┑慕o該點(diǎn)“染色”（標(biāo)記每個(gè)樣本所屬的類(k[i])）

cls[i]=np.argmin(tmp)

#如果沒有修改各分類中心點(diǎn)，就結(jié)束循環(huán)

run=False

#計(jì)算更新每個(gè)類的中心點(diǎn)

foriinrange(self.k):

#找到屬于該類的所有樣本

club=data[cls==i]

#axis=0表示按列求平均值，計(jì)算出新的中心點(diǎn)

newcenter=np.mean(club,axis=0)

#如果新舊center的差距很小，看做他們相等，否則更新之。run置true，再來一次循環(huán)

ss=np.abs(center[i]-newcenter)

ifnp.sum(ss,axis=0)1e-4:

center[i]=newcenter

run=True

print('newcenter=\n',center)

print('程序結(jié)束，迭代次數(shù)：',time)

#按類打印圖表，因?yàn)槊看蛴∫淮?，顏色都不一樣，所以可區(qū)分出來

#foriinrange(self.k):

#club=data[cls==i]

#self.showtable(club)

#打印最后的中心點(diǎn)

self.showtable(center)

#打印聚類標(biāo)簽

print(cls)

defshowtable(self,data):

x=data.T[0]

y=data.T[1]

plt.scatter(x,y)

plt.show()

if__name__=='__main__':

data=np.random.rand(10,2)

K=4

model=Kmeans(data,K)

model.kmeans()

model.cluster_data_Bysklearn()

結(jié)果：

自寫得出的[0200023212]

調(diào)用模型的出的[0201023230]

jupyternotebook實(shí)現(xiàn)

import