python 网格聚类_聚类k选择及效果评估的python实现---肘部法则和轮廓系数

聚类是一种无监督学习的分类算法，我们一般选择使用k-means，聚类速度快，k-means随机选择重心，然后把样本点分配到离他们最近的类，在通过迭代吧该类的重心移到该类全部成员位置的平均值那里，以此类推进行迭代，但由于没有固定的类别标记，所以类别的数量和聚类的效果就需要我们通过肘部法则和轮廓系数进行判断。肘部法则--聚类数量选择

肘部法则的计算原理是成本函数，成本函数是类别畸变程度之和，每个类的畸变程度等于每个变量点到其类别中心的位置距离平方和，若类内部的成员彼此间越紧凑则类的畸变程度越小，反之，若类内部的成员彼此间越分散则类的畸变程度越大。在选择类别数量上，肘部法则会把不同值的成本函数值画出来。随着值的增大，平均畸变程度会减小；每个类包含的样本数会减少，于是样本离其重心会更近。但是，随着值继续增大，平均畸变程度的改善效果会不断减低。值增大过程中，畸变程度的改善效果下降幅度最大的位置对应的值就是肘部。

python代码实现：

#新建模拟变量

import  numpy as np

import matplotlib.pyplotas plt

cluster1 = np.random.uniform(0.5,1.5,(2,10))

#随机生成0.5--1.5之间的数值，生成2*20个，2表示的是两个列表，10表示一个列表10行，整个在组成一个数组

cluster2 = np.random.uniform(3.5,4.5,(2,10))

x = np.hstack((cluster1,cluster2))

#此函数为水平按列进行堆叠，如果xy是

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！