3 K均值演算法

作業：

1）. 撲克牌手動演練k均值聚類過程：>30張牌，3類

①隨機在撲克牌中抽取30張牌，當中取3張聚類中心10，5，2 進行分

②計算三堆牌的平均值分別為10.5，5.5，2。

③以11，6，2為新的聚類中心來分類

④計算平均值，均值不變，分類結束。

2）. *自主編寫k-means演算法 ，以鳶尾花花瓣長度資料做聚類，並用散點圖顯示。（加分題）

3）. 用sklearn.cluster.kmeans，鳶尾花花瓣長度資料做聚類，並用散點圖顯示.

from sklearn.datasets import

load_iris
from sklearn.cluster import
kmeans
import
matplotlib.pyplot as plt
iris = load_iris() #
獲取鳶尾花資料集
x = iris.data[:,0]  #
獲取鳶尾花花瓣長度資料   :all
x = x.reshape(-1,1)   #
將資料轉換為一列資料
#直接呼叫sklearn庫實現對鳶尾花資料進行聚類分析
km_model = kmeans(n_clusters=3)  #
構建模型 分成三個類
km_model.fit(x)                  #
訓練模型     fit(x)指的是x值給km_model進訓練
y = km_model.predict(x)          #
**模型
print("
聚類中心:
", km_model.cluster_centers_ )  #
聚類中心，規定函式
print("
**結果：
", y)#畫圖
plt.scatter(x[:, 0], x[:, 0], c=y, s=50, cmap='
rainbow')
plt.show()

from sklearn.datasets import

load_iris
from sklearn.cluster import
kmeans
import
matplotlib.pyplot as plt
iris = load_iris() #
獲取鳶尾花資料集
x = iris.data       #
鳶尾花完整資料
#直接呼叫sklearn庫的kmeans實現對鳶尾花資料進行聚類分析
km_model = kmeans(n_clusters=3)  #
構建模型
km_model.fit(x)  #
訓練模型
y = km_model.predict(x)  #
**模型中每個樣本的聚類索引
print("
聚類中心:
", km_model.cluster_centers_ )
print("
**結果：
", y)#畫圖
plt.scatter(x[:, 2], x[:, 3], c=y, s=50, cmap='
rainbow
')  #
x,y,c
plt.show()

可以通過k均值演算法。進行機器學習，通過機器學習之後就可以先對樣本進行乙個分析，分析之後就可以進行對其他的**。就是可以通過機器學習之後可以對一些事件的發生進行一些**。

3 K均值演算法

2 自主編寫k means演算法 以鳶尾花花瓣長度資料做聚類，並用散點圖顯示。加分題 1 import numpy as np 2from sklearn.datasets import load iris 3import matplotlib.pyplot as plt 45 iris load ...

3 K均值演算法

1.機器學習的步驟 資料，模型選擇，訓練，測試，2.安裝機器學習庫sklearn pip list 檢視版本 python m pip install upgrade pip pip install u scikit learn pip uninstall sklearn pip uninstall...

3 K均值演算法

4.作業 1 撲克牌手動演練k均值聚類過程 30張牌，3類 第一種劃分 第二種劃分 2 自主編寫k means演算法 以鳶尾花花瓣長度資料做聚類，並用散點圖顯示。加分題 如下 from sklearn.datasets import load iris import numpy as np impo...