3 K均值算法

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.

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris
iris = load_iris()   # 鸢尾花数据
# 特征名称(共有四个)：花萼长度、花萼宽度、花瓣长度、花瓣宽度
# iris.feature_names
L0 = iris.data[:, 2]  # 花瓣长度
x = L0.reshape(-1, 1)  # 花瓣长度数据列
model = KMeans(n_clusters=3)  # 构建模型 3类
model.fit(x)     # 训练模型
pre_kmeans = model.predict(x)  # 预测每个样本的聚类索引
print("预测结果：
", pre_kmeans)
#  画图
plt.scatter(x[:, 0], x[:, 0], c=pre_kmeans, s=20, cmap='rainbow')
plt.show()

4）. 鸢尾花完整数据做聚类并用散点图显示.

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris
iris = load_iris()   # 鸢尾花数据
x = iris.data
model = KMeans(n_clusters=3)  # 构建模型 3类
model.fit(x)     # 训练模型
pre_kmeans = model.predict(x)  # 预测每个样本的聚类索引
print("预测结果：
", pre_kmeans)
# 画图
plt.scatter(x[:, 2], x[:, 3], c=pre_kmeans, s=20, cmap='rainbow')
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。