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。
微信扫一扫 
