中国第一个做电商网站,杭州网站建设浙江,开平网页定制,wordpress 语种顺序文章目录
机器学习专栏
无监督学习介绍
聚类
K-Means
使用方法
实例演示
代码解析
绘制决策边界
本章总结 机器学习专栏 机器学习_Nowl的博客-CSDN博客 无监督学习介绍
某位著名计算机科学家有句话#xff1a;“如果智能是蛋糕#xff0c;无监督学习将是蛋糕本体“如果智能是蛋糕无监督学习将是蛋糕本体有监督学习是蛋糕上的糖霜强化学习是蛋糕上的樱桃”
现在的人工智能大多数应用有监督学习但无监督学习的世界也是广阔的因为如今大部分的数据都是没有标签的
上一篇文章讲到的降维就是一种无监督学习技术我们将在本章介绍聚类 聚类
聚类是指发现数据集中集群的共同点在没有人为标注的情况下将数据集区分为指定数量的类别
K-Means
K-Means是一种简单的聚类算法。能快速高效地对数据集进行聚类 使用方法
from sklearn.cluster import KMeansmodel KMeans(n_clusters3)
model.fit(data) 这段代码导入了KMeans机器学习库指定模型将数据划分为三类 实例演示
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt# 生成一些随机数据作为示例
np.random.seed(42)
data np.random.rand(100, 2) # 100个数据点每个点有两个特征# 指定要分成的簇数可以根据实际情况调整
num_clusters 3# 使用KMeans算法进行聚类
kmeans KMeans(n_clustersnum_clusters)
kmeans.fit(data)# 获取每个数据点的所属簇标签
labels kmeans.labels_# 获取每个簇的中心点
centroids kmeans.cluster_centers_print(centroids)
# # 可视化结果
for i in range(num_clusters):cluster_points data[labels i]plt.scatter(cluster_points[:, 0], cluster_points[:, 1], labelfCluster {i 1})# 绘制簇中心点
plt.scatter(centroids[:, 0], centroids[:, 1], markerX, s200, colorred, labelCentroids)plt.scatter(centroids[0][0], centroids[0][1])plt.title(K-means Clustering)
plt.xlabel(Feature 1)
plt.ylabel(Feature 2)
plt.legend(locupper right)
plt.show()代码解析 导入必要的库 导入NumPy用于生成随机数据导入KMeans类从scikit-learn中进行K-means聚类导入matplotlib.pyplot用于可视化。 生成随机数据 使用NumPy生成一个包含100个数据点的二维数组每个数据点有两个特征。 指定簇的数量 将num_clusters设置为希望的簇数这里设置为3。 应用K-means算法 创建KMeans对象指定簇的数量然后使用fit方法拟合数据。模型训练完成后每个数据点将被分配到一个簇并且簇中心点将被计算。 获取簇标签和中心点 使用labels_属性获取每个数据点的簇标签使用cluster_centers_属性获取每个簇的中心点。 可视化聚类结果 使用循环遍历每个簇绘制簇中的数据点。然后使用scatter函数绘制簇中心点并为图添加标题、轴标签和图例。 显示图形 最后使用show方法显示可视化结果 绘制决策边界
我们使用网格坐标和predict方法生成决策边界然后使用contour函数在图上绘制边界。
主要代码
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt# 生成一些随机数据作为示例
np.random.seed(42)
data np.random.rand(100, 2) # 100个数据点每个点有两个特征# 指定要分成的簇数可以根据实际情况调整
num_clusters 3# 使用KMeans算法进行聚类
kmeans KMeans(n_clustersnum_clusters)
kmeans.fit(data)# 获取每个数据点的所属簇标签
labels kmeans.labels_# 获取每个簇的中心点
centroids kmeans.cluster_centers_# 可视化结果包括决策边界
for i in range(num_clusters):cluster_points data[labels i]plt.scatter(cluster_points[:, 0], cluster_points[:, 1], labelfCluster {i 1})# 绘制簇中心点
plt.scatter(centroids[:, 0], centroids[:, 1], markerX, s200, colorred, labelCentroids)# 绘制决策边界
h 0.02 # 步长
x_min, x_max data[:, 0].min() - 1, data[:, 0].max() 1
y_min, y_max data[:, 1].min() - 1, data[:, 1].max() 1
xx, yy np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z kmeans.predict(np.c_[xx.ravel(), yy.ravel()])
Z Z.reshape(xx.shape)plt.contour(xx, yy, Z, colorsgray, linewidths1, alpha0.5) # 绘制决策边界plt.title(K-means Clustering with Decision Boundaries)
plt.xlabel(Feature 1)
plt.ylabel(Feature 2)
plt.legend()
plt.show()本章总结
无监督学习的意义聚类的定义K-Means方法聚类绘制K-Means决策边界
