• Python3入门人工智能 掌握机器学习 深度学习 提升实战能力4：机器学习之聚类

    • 无监督学习

     

     

     

     

     

     

     

     

     

     

     

    •  Kmeans-KNN-Meanshift

     

     

     

     

     

     

     

     

     

    • 实战准备

     

     

     

     

    • Kmeans 实战

     

     

     文件：data.csv 内容：

     

     

     

     

     

     

     

     1 #visualize the data and results
 2 #预测数据
 3 fig4 = plt.subplot(121) #一行两列中 在第一行中画图
 4 label0 = plt.scatter(x.loc[:,'V1'][y_predict==0],x.loc[:,'V2'][y_predict==0])
 5 label1 = plt.scatter(x.loc[:,'V1'][y_predict==1],x.loc[:,'V2'][y_predict==1])
 6 label2 = plt.scatter(x.loc[:,'V1'][y_predict==2],x.loc[:,'V2'][y_predict==2])
 7 
 8 plt.title("predict data")
 9 plt.xlabel("V1")
10 plt.ylabel("V2")
11 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
12 
13 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
14 
15 #原始数据
16 fig5 = plt.subplot(122) #一行两列中 在第二行中画图
17 label0 = plt.scatter(x.loc[:,'V1'][y==0],x.loc[:,'V2'][y==0])
18 label1 = plt.scatter(x.loc[:,'V1'][y==1],x.loc[:,'V2'][y==1])
19 label2 = plt.scatter(x.loc[:,'V1'][y==2],x.loc[:,'V2'][y==2])
20 
21 plt.title("labled data")
22 plt.xlabel("V1")
23 plt.ylabel("V2")
24 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
25 
26 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
27 
28 plt.show()

     

     

     1 #visualize the data and results (校正后的数据)
 2 #预测数据
 3 fig4 = plt.subplot(121) #一行两列中 在第一行中画图
 4 label0 = plt.scatter(x.loc[:,'V1'][y_corrected==0],x.loc[:,'V2'][y_corrected==0])
 5 label1 = plt.scatter(x.loc[:,'V1'][y_corrected==1],x.loc[:,'V2'][y_corrected==1])
 6 label2 = plt.scatter(x.loc[:,'V1'][y_corrected==2],x.loc[:,'V2'][y_corrected==2])
 7 
 8 plt.title("predict data")
 9 plt.xlabel("V1")
10 plt.ylabel("V2")
11 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
12 
13 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
14 
15 #原始数据
16 fig5 = plt.subplot(122) #一行两列中 在第二行中画图
17 label0 = plt.scatter(x.loc[:,'V1'][y==0],x.loc[:,'V2'][y==0])
18 label1 = plt.scatter(x.loc[:,'V1'][y==1],x.loc[:,'V2'][y==1])
19 label2 = plt.scatter(x.loc[:,'V1'][y==2],x.loc[:,'V2'][y==2])
20 
21 plt.title("labled data")
22 plt.xlabel("V1")
23 plt.ylabel("V2")
24 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
25 
26 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
27 
28 plt.show()

     

     1 #visualize the data and results (KNN数据)
 2 #预测数据
 3 fig6 = plt.subplot(121) #一行两列中 在第一行中画图
 4 label0 = plt.scatter(x.loc[:,'V1'][y_predict_knn==0],x.loc[:,'V2'][y_predict_knn==0])
 5 label1 = plt.scatter(x.loc[:,'V1'][y_predict_knn==1],x.loc[:,'V2'][y_predict_knn==1])
 6 label2 = plt.scatter(x.loc[:,'V1'][y_predict_knn==2],x.loc[:,'V2'][y_predict_knn==2])
 7 
 8 plt.title("knn results")
 9 plt.xlabel("V1")
10 plt.ylabel("V2")
11 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
12 
13 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
14 
15 #原始数据
16 fig7 = plt.subplot(122) #一行两列中 在第二行中画图
17 label0 = plt.scatter(x.loc[:,'V1'][y==0],x.loc[:,'V2'][y==0])
18 label1 = plt.scatter(x.loc[:,'V1'][y==1],x.loc[:,'V2'][y==1])
19 label2 = plt.scatter(x.loc[:,'V1'][y==2],x.loc[:,'V2'][y==2])
20 
21 plt.title("labled data")
22 plt.xlabel("V1")
23 plt.ylabel("V2")
24 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
25 
26 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
27 
28 plt.show()

     

     1 #visualize the data and results (Mshift的数据)
 2 #预测数据
 3 fig6 = plt.subplot(121) #一行两列中 在第一行中画图
 4 label0 = plt.scatter(x.loc[:,'V1'][y_predict_ms==0],x.loc[:,'V2'][y_predict_ms==0])
 5 label1 = plt.scatter(x.loc[:,'V1'][y_predict_ms==1],x.loc[:,'V2'][y_predict_ms==1])
 6 label2 = plt.scatter(x.loc[:,'V1'][y_predict_ms==2],x.loc[:,'V2'][y_predict_ms==2])
 7 
 8 plt.title("ms results")
 9 plt.xlabel("V1")
10 plt.ylabel("V2")
11 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
12 
13 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
14 
15 #原始数据
16 fig7 = plt.subplot(122) #一行两列中 在第二行中画图
17 label0 = plt.scatter(x.loc[:,'V1'][y==0],x.loc[:,'V2'][y==0])
18 label1 = plt.scatter(x.loc[:,'V1'][y==1],x.loc[:,'V2'][y==1])
19 label2 = plt.scatter(x.loc[:,'V1'][y==2],x.loc[:,'V2'][y==2])
20 
21 plt.title("labled data")
22 plt.xlabel("V1")
23 plt.ylabel("V2")
24 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
25 
26 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
27 
28 plt.show()

     

     1 #visualize the data and results (Mshift 校正后的数据)
 2 #预测数据
 3 fig6 = plt.subplot(121) #一行两列中 在第一行中画图
 4 label0 = plt.scatter(x.loc[:,'V1'][y_corrected_ms==0],x.loc[:,'V2'][y_corrected_ms==0])
 5 label1 = plt.scatter(x.loc[:,'V1'][y_corrected_ms==1],x.loc[:,'V2'][y_corrected_ms==1])
 6 label2 = plt.scatter(x.loc[:,'V1'][y_corrected_ms==2],x.loc[:,'V2'][y_corrected_ms==2])
 7 
 8 plt.title("ms corrected results")
 9 plt.xlabel("V1")
10 plt.ylabel("V2")
11 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
12 
13 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
14 
15 #原始数据
16 fig7 = plt.subplot(122) #一行两列中 在第二行中画图
17 label0 = plt.scatter(x.loc[:,'V1'][y==0],x.loc[:,'V2'][y==0])
18 label1 = plt.scatter(x.loc[:,'V1'][y==1],x.loc[:,'V2'][y==1])
19 label2 = plt.scatter(x.loc[:,'V1'][y==2],x.loc[:,'V2'][y==2])
20 
21 plt.title("labled data")
22 plt.xlabel("V1")
23 plt.ylabel("V2")
24 plt.legend((label0,label1,label2),('label0','label1','label2'))#题注：将数据分类并设置分类的名称
25 
26 plt.scatter(centers[:,0],centers[:,1])#根据数据表格的第一列与第二列找到中心点
27 
28 plt.show()
  • 相关阅读:
    组合继承
    包装明星——封装
    多种添加公用方法的方式
    专有扩展
    插入标记
    mac 命令操作
    php(apache)切换版本
    SqlServer索引+约束篇章
    sqlserver 常用语法
    C# 通用数据访问类
  • 原文地址：https://www.cnblogs.com/liuxiaoming123/p/13657784.html
Copyright © 2020-2023  润新知