為了說明這個想法，讓我們選擇乙個均勻分布的點集作為參考資料集，並檢視k-means增加k的結果：
匯入 numpy 為 np
匯入 matplotlib。作為plt的pyplot
來自 sklearn。資料集 匯入 make_blobs
來自 sklearn。metrics import pairwise_distances
來自 sklearn。集群 匯入 kmeans
reference = np。隨機的。蘭特（100，2）
plt。圖（figsize =（12，3））
用於 ķ 在 範圍（1，6）：
kmeans = kmeans（n_clusters = k）
a = kmeans。fit_predict（參考）
plt。副區（1，5，ķ）
plt。scatter（引用 [：，0 ]，引用 [：，1 ]，c = a）
plt。xlabel（'k =' + str（k））
plt。tight_layout（）
plt。show（）現在讓我們對具有三個自然聚類的目標資料集執行相同的操作：
plt。圖（figsize =（12，3））
用於 ķ 在 範圍（1，6）：
kmeans = kmeans（n_clusters = k）
a = kmeans。fit_predict（x）
plt。副區（1，5，ķ）
plt。散射（x [：，0 ]，x [：，1 ]，c = a）
plt。xlabel（'k =' + str（k））
plt。tight_layout（）
plt。show（）
def compute_inertia（a，x）：
w = [ np。意味著（pairwise_distances（x [ 乙個 == ç，：]））為 ç 在 np。獨特的（a）]
返回 np。平均值（w）
def compute_gap（clustering，k_max = 10，n_references = 5）：
reference_inertia =
用於 ķ 在 範圍（1，k_max + 1）：
local_inertia =
for _ in range（n_references）：
聚類。n_clusters = k
assignments = clustering。fit_predict（參考）
local_inertia。追加（compute_inertia（賦值，引用））
reference_inertia。追加（np。平均值（local_inertia））
ondata_inertia =
用於 ķ 在 範圍（1，k_max + 1）：
聚類。n_clusters = k
assignments = clustering。fit_predict（x）
ondata_inertia。追加（compute_inertia（賦值，x））
gap = np。log（reference_inertia）- np。log（ondata_inertia）
回報 差距，np。log（reference_inertia），np。log（ondata_inertia）
gap，reference_inertia，ondata_inertia = compute_gap（kmeans（））
plt。圖（範圍（1，k_max + 1），reference_inertia，
'-o'，label = 'reference'）
plt。情節（範圍（1，k_max + 1），ondata_inertia，
'-o'，label = 'data'）
plt。xlabel（'k'）
plt。ylabel（'log（慣性）'）
plt。show（）
我們現在可以計算每個k計算的差距統計量，顯示上面兩條曲線的差異：
plt。圖（範圍（1，k_max + 1），間隙，' - o '）
plt。ylabel（'差距'）
plt。xlabel（'k'）很容易看出g = k = 3時的最大值，這是我們目標資料集的正確選擇。
視覺SLAM研究點介紹
在 slam for dummy 中，有一句話說的好 slam並不是一種演算法，而是乙個概念。slam is more like a concept than a single algorithm.所以，你可以和導師 師兄弟 以及師妹，如果有的話 說你在研究slam，但是，作為同行，我可能更關心 你...
砌牆的差距
砌牆的差距 故事 建築公司經理來到乙個新工地視察，看到3個工人在不同的位置砌牆。經理對乙個工人漫不經心地說 我們砌一道牆。他對第二個工人說 我們要建一座房子。來到第三個工人的面前說，經理放眼周圍，心情十分開朗。他帶著一種豪氣說 我們要建設乙個美麗的城市。工程結束的時候，他發現第乙個工人把牆修得歪歪斜...
視覺SLAM 二 研究點介紹
在 slam for dummy 中，有一句話說的好 slam並不是一種演算法，而是乙個概念。slam is more like a concept than a single algorithm.所以，你可以和導師 師兄弟 以及師妹，如果有的話 說你在研究slam，但是，作為同行，我可能更關心 你...