1. 机器学习的步骤 ：
数据，模型选择，训练，测试，预测
2. 安装机器学习库sklearn
pip list 查看版本
python -m pip install --upgrade pip
pip install -U scikit-learn
pip uninstall sklearn
pip uninstall numpy
pip uninstall scipy
pip install scipy
pip install numpy
pip install sklearn
https://scikit-learn.org/stable/install.html
3. 导入sklearn的数据集
from sklearn.datasets import load_iris
iris = load_iris()
iris.keys()
X = iris.data # 获得其特征向量
y = iris.target # 获得样本标签
iris.feature_names # 特征名称
4.K均值算法
K-means是一个反复迭代的过程，算法分为四个步骤：（x,k,y)
1） 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
def initcenter(x, k): kc
2） 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类；
def nearest(kc, x[i]): j
def xclassify(x, y, kc):y[i]=j
3） 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
def kcmean(x, y, kc, k):
4） 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2）。
while flag:
y = xclassify(x, y, kc)
kc, flag = kcmean(x, y, kc, k)
参考官方文档:
http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html#sklearn.cluster.KMeans
5. 作业：
1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类
自制小纸片共有30张，其中数字为1-10，每个数字有3张。
（1）要将数据分为三类，先随机选择了2，3，10作为各类的初始值。
（2）剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别。
第一次分类：
|
类别（中心点） |
第1类（2） |
第2类（3） |
第3类（10） |
|
总和 |
9 |
54 |
102 |
|
纸片数 |
6 |
12 |
12 |
|
平均值 |
1.5 |
4.5 |
8.5 |
|
新中心点 |
2 |
5 |
9 |
（3）按新的中心点进行第二次分类：
|
类别 |
第1类（2） |
第2类（5） |
第3类（9） |
|
总和 |
18 |
45 |
102 |
|
纸片数 |
9 |
9 |
12 |
|
平均值 |
2 |
5 |
8.5 |
|
新中心点 |
2 |
5 |
9 |
（4）可见第二次分类的新中心点和第一次分类后的中心点是一样的，分组也不再变化，停止分组。
（5）随机取一张纸片值为6，那么它属于第2类。随机取一张纸片值为1，那么它属于第1类。
3）. 用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类，并用散点图显示.
1 import matplotlib.pyplot as plt 2 from sklearn.cluster import KMeans 3 from sklearn.datasets import load_iris 4 iris = load_iris() # 鸢尾花数据 5 # 特征名称(共有四个)：花萼长度、花萼宽度、花瓣长度、花瓣宽度 6 # iris.feature_names 7 L0 = iris.data[:, 2] # 花瓣长度 8 x = L0.reshape(-1, 1) # 花瓣长度数据列 9 model = KMeans(n_clusters=3) # 构建模型 3类 10 model.fit(x) # 训练模型 11 pre_kmeans = model.predict(x) # 预测每个样本的聚类索引 12 print("预测结果： ", pre_kmeans) 13 # 画图 14 plt.scatter(x[:, 0], x[:, 0], c=pre_kmeans, s=20, cmap='rainbow') 15 plt.show()
4）. 鸢尾花完整数据做聚类并用散点图显示.
1 import matplotlib.pyplot as plt 2 from sklearn.cluster import KMeans 3 from sklearn.datasets import load_iris 4 iris = load_iris() # 鸢尾花数据 5 x = iris.data 6 model = KMeans(n_clusters=3) # 构建模型 3类 7 model.fit(x) # 训练模型 8 pre_kmeans = model.predict(x) # 预测每个样本的聚类索引 9 print("预测结果： ", pre_kmeans) 10 # 画图 11 plt.scatter(x[:, 2], x[:, 3], c=pre_kmeans, s=20, cmap='rainbow') 12 plt.show()
5）.想想k均值算法可以用来做什么？
答：它是一种将数据分成具有相似性的、指定数量的类的技术，可以发现数据存在的性质和规律。
结合生活实际，像我们常在淘宝搜索和浏览商品，对于我们的搜索和浏览等可以进行聚类，平时也可以相对应地进行推荐等，便于用户找到心仪的商品，店家盈利，提高成交率。