3-K均值算法

# 1.实现K-Means算法
iris = load_iris()   #导入数据
data2 = iris.data[:,1]
data = iris.data[:,1].reshape(-1,1)

n = len(data)       #样本总数
k = 3               #设置中心个数
dist = np.zeros([n, k+1])   #初始化距离矩阵,第k列存放得到的每个样本的类别
center=data[:k].reshape(-1,1)        #初始类中心，选取前3个样本作为初始类中心
center_new = np.zeros([k,1])  #新的类中心
while True:
    for i in range(n):
        for j in range(k):
            dist[i,j] = np.sqrt((data[i] - center[j])**2) #计算欧氏距离
        dist[i,k] = np.argmin(dist[i,:k])         #根据最近准则进行归类

    
    for i in range(k):
        index = dist[:, k] == i     #判断属于哪一类
        center_new[i] = data[index].mean(axis = 0)#求新的类中心

    if  np.all(center == center_new):      #判断新的类中心是否与上一轮的类中心相同，若相同则跳出循环
        break
    else:
        center = center_new     #更新类中心
print(‘150个样本的归类：‘,dist[:, k])

# plt.scatter(data[:,0], data[:,0],c=np.squeeze(dist))
# plt.show()

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris

iris=load_iris()
data=iris.data[:,1]#选取鸢尾花花瓣长度数据
x=data.reshape(-1,1)

y=KMeans(n_clusters=3) #构建模型，n_clusters指定中心数为3个
y.fit(x) #训练模型

y_pre=y.predict(x) 

plt.scatter(x[:,0],x[:,0],c=y_pre)
plt.show()　

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris


iris=load_iris()
x=iris.data        #鸢尾花完整数据
y=KMeans(n_clusters=3)
y.fit(x)
y_pre=y.predict(x)

plt.scatter(x[:,0],x[:,2],c=y_pre)
plt.show()