1） 撲克牌手動演練k均值聚類過程：>30張牌，3類
3） 用sklearn.cluster.kmeans，鳶尾花花瓣長度資料做聚類，並用散點圖顯示.
**：
#結果：201706120153-許卉欣
from sklearn.datasets import
load_iris
from sklearn.cluster import
kmeans
import
matplotlib.pyplot as plt
iris = load_iris() #
讀取鳶尾花資料
iris.feature_names #
檢視鳶尾花的特徵標籤，找出花瓣長度所屬列
pl=iris.data[:,2].reshape(-1,1) #
提取鳶尾花第三列的資料，並將其改變為n行一列的陣列。
model=kmeans(n_clusters=3) #
引入kmeans模型
model.fit(pl) #
訓練模型
pre=model.predict(pl) #
進行**
pre #
檢視聚類結果
plt.scatter(pl[:,0],pl[:,0],c=pre,s=25) #
使用matplotlib作散點圖
plt.show()
4）.鳶尾花完整資料做聚類並用散點圖顯示.
**：
#結果：201706120153 許卉欣
from sklearn.datasets import
load_iris
from sklearn.cluster import
kmeans
import
matplotlib.pyplot as plt
iris = load_iris() #
讀取鳶尾花資料
data=iris.data #
鳶尾花的完整資料
model=kmeans(n_clusters=3) #
引入kmeans模型，分成3類
model.fit(data) #
訓練模型
pre=model.predict(data) #
使用模型進行**
plt.scatter(data[:,2],data[:,3],c=pre,s=25) #
使用matplotlib作散點圖
plt.show()
5）想想k均值演算法中以用來做什麼？
k-means演算法通常可以應用於維數、數值都很小且連續的資料集，比如：從隨機分布的事物集合中將相同事物進行分組。
可以做文件分類器、客戶群體分類、物品傳輸的優化也可以使用城市中特定地區的相關犯罪資料，分析犯罪類別、犯罪地點以及兩者之間的關聯，可以對城市或區域中容易犯罪的地區做高質量的勘察。
機器學習03 K值的選擇
k值過小 容易受到異常點的影響 k值的減小就意味著整體模型變得複雜，容易發生過擬合 eg 判斷是不是人?眼睛，鼻子，黃 顏色為過擬合 k值過大 受到樣本均衡的問題 與輸入例項較遠 不相似的 訓練例項也會對 器作用，使 發生錯誤，且k值的增大就意味著整體的模型變得簡單。eg 判斷是不是人?特徵值 眼睛...
K 均值演算法
動態聚類方法是模式識別中一種普遍採用的方法，它具有以下3個要點 1 選定某種距離度量作為樣本間的相似性度量 2 確定某個評價聚類結果質量的準則函式 3 給定某個初始分類，然後用迭代演算法找出使準則函式取極值的最好的聚類結果 k means演算法 輸入 聚類個數k，以及包含 n個資料物件的資料庫。輸出...
K均值演算法
假設需要聚成k個類 演算法先會隨機從資料集中選取k個點，把他們當做k個聚類的中心點 依次計算資料集中的每乙個點與各個中心點的距離，離哪個中心點近，就劃分到那個中心點對應的聚類下 計算分到同一類簇下，所有點的均值，更新中心點，重複 直至達到迭代結束條件 import numpy as np impor...