聚类，肘部曲线，聚类中心

#1. 拿到数据（x）
# 2.设定k[1,10]分别得到不同kmeans模型的代价
# 3.画肘部曲线
# 4.找到最优K
# 5.用最优k训练新的kmeans模型
# 6.实现测试数据聚类预测
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False# 2.设定k[1,10]分别得到不同kmeans模型的代价
def curve(x):k_list=[]#横轴数据记录inertia_list=[]#纵轴数据记录for i in range(10):k=i+1#声明一个类别为当前k值的kmeans模型model=KMeans(n_clusters=k)#用数据训练model.fit(x)k_list.append(k)#记录当前k值inertia_list.append(model.inertia_)#记录当前模型损失值plt.plot(k_list,inertia_list,c='g')plt.scatter(k_list,inertia_list,c='r')plt.title('肘部曲线')plt.xlabel('K值')plt.ylabel('距离平方和J')#给点加标注for i in range(10):plt.annotate(str(k_list[i]),xy=(k_list[i],inertia_list[i]),textcoords='offset points',xytext=(+1,+5),fontsize=15)plt.show()
#画样本点和聚类中心
def sample_center(x,k,kmeans_model):sample_mark=['or','ob','og','oy','ok']#样本点样式库center_mark=['Dr','Db','Dg','Dy','Dk']#聚类中心样式库 (D代表方块)center_vec=kmeans_model.cluster_centers_  #获取聚类中心的坐标sample_label=kmeans_model.predict(x) #预测每个样本点所属聚类中心索引,即类别标签#画样本点for i in range(len(x)):plt.plot(x[i,0],x[i,1],sample_mark[sample_label[i]])#画聚类中心for j in range(k):plt.plot(center_vec[j,0],center_vec[j,1],center_mark[j],markersize=20)plt.show()
#1. 拿到数据（x）
x=np.loadtxt(r'./test.txt')
plt.scatter(x[:,0],x[:,1])
plt.show()
# 3.画肘部曲线
curve(x)
#确定最优k值
k=4
#4.声明一个新的kmeans模型对x进行训练
kmeans_model=KMeans(n_clusters=k)
kmeans_model.fit(x)
#5.画出样本点x,并根据类别标签上色:所属聚类中心的索引
#画出聚类中心:聚类中心的坐标
sample_center(x,k,kmeans_model)

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！