机器学习三

1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类

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）

K-means算法：

from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import numpy as np
import copy

iris = load_iris()
data = iris.data[:,1]
def get_distance(X,Y):
    return np.sum((X-Y)**2)**0.5



center=data[:3]
last_center=center
result=[[],[],[]]
max_iter=10
for i in range(max_iter):
    result = [[], [], []]
    for j in range(len(data)):
        temp = []
        for k in range(len(center)):
            temp.append(get_distance(data[j], center[k]))
        result[temp.index(min(temp))].append(data[j])
    center=[]
    for l in range(3):
        if result[l]:
            center.append(np.mean(result[l]))
        else:
            center.append(0)
    if(np.all(center == last_center)):
        break
    else:
        last_center = np.copy(center)

end_result=[]
k_result=[]
for i in range(len(result)):
    for j in range(len(result[i])):
        end_result.append(result[i][j])
        k_result.append(i)
print('最终聚类中心',center)
print('最终聚类结果',end_result)
plt.scatter(end_result,end_result,c=k_result,cmap='rainbow')
plt.show()

结果截图：

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
import numpy as np

iris=load_iris()
sl = iris.data[:,1]
X=sl.reshape(-1,1)
est = KMeans(n_clusters=3)
est.fit(X)
y_kmeans=est.predict(X)
plt.scatter(X[:,0],X[:,0],c=y_kmeans,cmap='rainbow')
plt.show()

结果截图：

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
import numpy as np

data=load_iris()
x2=data.data
k2=KMeans(n_clusters=3)
k2.fit(x2)
kc2=k2.cluster_centers_
y_kmeans2=k2.predict(x2)
print(x2)
plt.scatter(x2[:,0],x2[:,1],c=y_kmeans2,cmap='rainbow')
plt.show()

结果截图：

5）.想想k均值算法中以用来做什么？

k均值算法是聚类算法，通过聚类可以更好的用来识别事物的特性，所以，k均值算法可以用来实现自动识别，通过数据训练，获取模型，根据特性，来实现自动识别。