这篇文章主要讲解了“Pythonsklearn中的K-Means聚类如何使用”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“Pythonsklearn中的K-Means聚类如何使用”吧!k-means翻译过来就是K均值聚类算法,其目的是将样本分割为k个簇,而这个k
则是KMeans
中最重要的参数:n_clusters
,默认为8。下面做一个最简单的聚类其中,y
是聚类结果,其数值表示对应位置X
所属类号。效果如图所示,对于下面这组数据来说,显然最好是分为两类,但如果KMeans
的n_clusters
设为3,那就会聚成3类。上面调用的KMeans
是一个类,sklearn
中同样提供了函数形式的调用,其使用方法如下其中,cen
表示聚类后,每一类的质心;y
为聚类后的标签;interia
表示均方误差之和。在KMeans
最重要的概念是簇,也就是被分割后的数据种类;而每个簇都有一个非常重要的点,就是质心。在设定好簇的个数之后,也就相当于确定了质心的个数,而KMeans
算法的基本流程是选择k个点作为k个簇的初始质心计算样本到这k个质心(簇)的距离,并将其划入距离最近的簇中计算每个簇的均值,并使用该均值更新簇的质心重复上述2-3的操作,直到质心区域稳定或者达到最大迭代次数。从这个流程可以看出来,KMeans
算法至少有两个细节需要考虑,一个是初始化方案,另一个则是质心更新的方案。在KMeans
类或者k_means
函数中,提供了两种初始化质心方案,通过参数init
来控制'random'
:表示随机生成k个质心'k-means++'
:此为默认值,通过kMeans++
方法来初始化质心。kMeans++
初始化质心的流程如下随机选择1个点作为初始质心 x 0计算其他点到最近质心的距离假定现有 n n n个质心了,那么选择距离当前质心较远的点作为下一个质心 x n x_n xn重复步骤2和3,直到质心个数达到 k k k个。若希望直接调用kMeans++
函数,则可使用kmeans_plusplus
。sklearn
提供了KMeans
的一个变种MiniBatchKMeans
,可在每次训练迭代中随机抽样,这种小批量的训练过程大大减少了运算时间。当样本量非常巨大时,小批K免费云主机域名Means的优势是非常明显的可见效果非常明显,其中fit_predict
和predict
相似,但并没有返回值,km.fit_predict(X)
运行之后,会更改km
中的labels_
属性,此即分类结果效果如图所示,可见小批的KMeans算法和KMeans算法从结果上来看区别不大。感谢各位的阅读,以上就是“Pythonsklearn中的K-Means聚类如何使用”的内容了,经过本文的学习后,相信大家对Pythonsklearn中的K-Means聚类如何使用这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是百云主机,小编将为大家推送更多相关知识点的文章,欢迎关注!
这篇文章主要介绍“php如何求2个数组相同的元素”的相关知识,小编通过实际案例向大家展示操作过程,操作方法简单快捷,实用性强,希望这篇“php如何求2个数组相同的元素”文章能帮助大家解决问题。 php求2个数组相同元素的方法:1、创建一个php示例文件;2、定…
免责声明:本站发布的图片视频文字,以转载和分享为主,文章观点不代表本站立场,本站不承担相关法律责任;如果涉及侵权请联系邮箱:360163164@qq.com举报,并提供相关证据,经查实将立刻删除涉嫌侵权内容。