✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。
🍎个人主页：小嗷犬的博客
🍊个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。
🥭本文内容：Python sklearn实现K-means鸢尾花聚类
更多内容请见👇
本文目录
; 准备
使用到的库：
- numpy
- matplotlib
- sklearn
安装：
pip install numpy
pip install matplotlib
pip install sklearn
数据集：
使用开源数据集”鸢尾花数据集”。包含3种类型数据集，共150条数据；数据包含4项特征，花萼长度、花萼宽度、花瓣长度、花瓣宽度；将80%的数据划分为训练集，20%划分为测试集。下载地址：
https://download.csdn.net/download/qq_63585949/86827472对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇，让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。
; 1.导入相关包
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans
from sklearn import datasets
2.直接从sklearn.datasets中加载数据集
iris = datasets.load_iris()
X = iris.data[:, :4]
print(X.shape)
3.绘制二维数据分布图
每个样本使用两个特征，绘制其二维数据分布图
plt.scatter(X[:, 0], X[:, 1], c="red", marker='o', label='see')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)
plt.show()
4.实例化K-means类，并且定义训练函数
def Model(n_clusters):
estimator = KMeans(n_clusters=n_clusters)
return estimator
def train(estimator):
estimator.fit(X)
5.训练
estimator=Model(3)
train(estimator)
6.可视化展示
label_pred = estimator.labels_
x0 = X[label_pred == 0]
x1 = X[label_pred == 1]
x2 = X[label_pred == 2]
plt.scatter(x0[:, 0], x0[:, 1], c="red", marker='o', label='label0')
plt.scatter(x1[:, 0], x1[:, 1], c="green", marker='*', label='label1')
plt.scatter(x2[:, 0], x2[:, 1], c="blue", marker='+', label='label2')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)
plt.show()
7.预览图
Original: https://blog.csdn.net/qq_63585949/article/details/127550767
Author: 小嗷犬
Title: Python sklearn实现K-means鸢尾花聚类
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/623283/
转载文章受原作者版权保护。转载请注明原作者出处！