3.K均值算法

作业：

1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类

①随机在扑克牌中抽取30张牌，当中取3张聚类中心10，5，2 进行分

②计算三堆牌的平均值分别为10.5，5.5，2。

③以11，6，2为新的聚类中心来分类

④计算平均值，均值不变，分类结束。

2）. *自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类，并用散点图显示。（加分题）

3）. 用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类，并用散点图显示.

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
iris = load_iris() # 获取鸢尾花数据集
x = iris.data[:,0]  #获取鸢尾花花瓣长度数据   :all
x = x.reshape(-1,1)   #将数据转换为一列数据
# 直接调用sklearn库实现对鸢尾花数据进行聚类分析
km_model = KMeans(n_clusters=3)  # 构建模型 分成三个类
km_model.fit(x)                  # 训练模型     fit(x)指的是x值给km_model进训练
y = km_model.predict(x)          # 预测模型
print("聚类中心:", km_model.cluster_centers_ )  #聚类中心，规定函数
print("预测结果：", y)
# 画图
plt.scatter(x[:, 0], x[:, 0], c=y, s=50, cmap='rainbow')
plt.show()

4）. 鸢尾花完整数据做聚类并用散点图显示.

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
iris = load_iris() # 获取鸢尾花数据集
x = iris.data       # 鸢尾花完整数据
# 直接调用sklearn库的KMeans实现对鸢尾花数据进行聚类分析
km_model = KMeans(n_clusters=3)  # 构建模型
km_model.fit(x)  # 训练模型
y = km_model.predict(x)  # 预测模型中每个样本的聚类索引
print("聚类中心:", km_model.cluster_centers_ )
print("预测结果：", y)
# 画图
plt.scatter(x[:, 2], x[:, 3], c=y, s=50, cmap='rainbow')  #x,y,c
plt.show()

5）.想想k均值算法中以用来做什么？

可以通过k均值算法。进行机器学习，通过机器学习之后就可以先对样本进行一个分析，分析之后就可以进行对其他的预测。就是可以通过机器学习之后可以对一些事件的发生进行一些预测。