K-means 演算法

演算法流程如下： （1）在樣本中選擇兩個點（也可以是若干個）作為種子點； （2）計算其餘各個樣本離該種子點的距離，並將其分為兩類； （3）將種子點移到（2）所分為的兩類的中間； （4）重複（2）(3)直到種子不再移動；

K-means 演算法程式（基於sklearn）

# -*- coding: utf-8 -*-
import numpy  as np
import matplotlib.pyplot as plt
import sklearn.datasets as ds
from sklearn.cluster import KMeans


def _test_kmeans():

    """
    初始化資料，原始資料data，和目標分類y
    """
    data, y = ds.make_blobs(300, n_features=2, centers=2, random_state=3)

    """
    對原始資料data進行2分類的，k均值聚類
    """
    model = KMeans(n_clusters=2, init='k-means++')

    #y_pre為根據聚類演算法得到的分類結果
    y_pre = model.fit_predict(data)

    plt.figure(figsize=(5, 6), facecolor='w')
    plt.subplot(211)
    plt.title('origin classfication')
    plt.scatter(data[:, 0], data[:, 1], c=y, s=30, edgecolors='none')

    plt.subplot(212)
    plt.title('k-means classfication')
    plt.scatter(data[:, 0], data[:, 1], c=y_pre, s=30, edgecolors='none')

    plt.show()

    pass

"""
說明：

K均值程式碼實現，對應的筆記《09.聚類（K-means）》

作者：fredric

日期：2018-8-2

"""
if __name__ == "__main__":

    _test_kmeans()