- 任务：无监督聚类西瓜数据集（30样本），数据集如下所示：
西瓜书的聚类部分，有一个题目是用30个无标签的西瓜数据集来进行聚类分出3类，这里直接贴上代码。
- 参考代码：
""" writing by: Clichong theme: 机器学习聚类算法的实现 data: 2022/4/27 """ import numpy as np import pandas as pd import matplotlib.pyplot as plt # 功能: 设置随机种子, 确保结果可复现 def make_seed(SEED=42): np.random.seed(SEED) # 功能: 计算样本与聚类中心的距离, 返回离簇中心最近的类别 # params: sample: 单个数据样本, centers: k个簇中心 # return: 返回的是当前的样本数据属于那一个簇中心的id或者索引 def distance(sample, centers): # 这里用差的平方来表示距离 d = np.power(sample - centers, 2).sum(axis=1) cls = d.argmin() return cls # 功能: 对当前的分类子集进行可视化展示 def clusters_show(clusters, step): color = ["red", "blue", "pink"] marker = ["*", "^", "."] plt.figure(figsize=(8, 8)) plt.title("step: {}".format(step)) plt.xlabel("Density", loc="center") plt.ylabel("Sugar Content", loc="center") # 用颜色区分k个簇的数据样本 for i, cluster in enumerate(clusters): cluster = np.array(cluster) plt.scatter(cluster[:, 0], cluster[:, 1], c=color[i], marker=marker[i], s=150) plt.show() # 功能: 根据输入的样本集与划分的簇数，分别返回k个簇样本 # params： data：样本集, k：聚类簇数 # return：返回是每个簇的簇类中心 def k_means(samples, k): data_number = len(samples) centers_flag = np.zeros((k,)) # 随机在数据中选择k个聚类中心 centers = samples[np.random.choice(data_number, k, replace=False)] print(centers) step = 0 while True: # 计算每个样本距离簇中心的距离, 然后分到距离最短的簇中心中 clusters = [[] for i in range(k)] for sample in samples: ci = distance(sample, centers) clusters[ci].append(sample) # 可视化当前的聚类结构 clusters_show(clusters, step) # 分完簇之后更新每个簇的中心点, 得到了簇中心继续进行下一步的聚类 for i, sub_clusters in enumerate(clusters): new_center = np.array(sub_clusters).mean(axis=0) # 如果数值有变化则更新, 如果没有变化则设置标志位为1，当所有的标志位为1则退出循环 if (centers[i] != new_center).all(): centers[i] = new_center else: centers_flag[i] = 1 step += 1 print("step:{}".format(step), "\n", "centers:{}".format(centers)) if centers_flag.all(): break return centers # 功能: 根据簇类中心对簇进行分类，获取最后的分类结果 # params: samples是全部的数据样本，centers是聚类好的簇中心 # return: 返回的是子数组 def split_data(samples, centers): # 根据中心样本得知簇数 k = len(centers) clusters = [[] for i in range(k)] for sample in samples: ci = distance(sample, centers) clusters[ci].append(sample) return clusters if __name__ == '__main__': make_seed() # 导入数据 data = pd.read_excel(r"./dataset/西瓜数据集4.0.xlsx") samples = data[["密度", "含糖率"]].values # print(samples) centers = k_means(samples=samples, k=3) clusters = split_data(samples=samples, centers=centers) print(clusters)
- 输出：
[[0.473 0.376] [0.593 0.042] [0.478 0.437]] step:1 centers:[[0.47385714 0.29514286] [0.5647 0.1347 ] [0.60483333 0.46033333]] step:2 centers:[[0.41018182 0.286 ] [0.571 0.14645455] [0.639625 0.4355 ]] step:3 centers:[[0.36775 0.25616667] [0.63255556 0.16166667] [0.64488889 0.41244444]] step:4 centers:[[0.36063636 0.23772727] [0.63255556 0.16166667] [0.625 0.4171 ]] step:5 centers:[[0.36136364 0.21709091] [0.6515 0.16325 ] [0.61118182 0.41336364]] step:6 centers:[[0.36136364 0.21709091] [0.6515 0.16325 ] [0.61118182 0.41336364]] # 以下每个列表表示一类（一共分了3类）： [[array([0.403, 0.237]), array([0.481, 0.149]), array([0.437, 0.211]), array([0.243, 0.267]), array([0.245, 0.057]), array([0.343, 0.099]), array([0.36, 0.37]), array([0.359, 0.188]), array([0.339, 0.241]), array([0.282, 0.257]), array([0.483, 0.312])], [array([0.634, 0.264]), array([0.556, 0.215]), array([0.666, 0.091]), array([0.639, 0.161]), array([0.657, 0.198]), array([0.593, 0.042]), array([0.719, 0.103]), array([0.748, 0.232])], [array([0.697, 0.46 ]), array([0.774, 0.376]), array([0.608, 0.318]), array([0.714, 0.346]), array([0.478, 0.437]), array([0.525, 0.369]), array([0.751, 0.489]), array([0.532, 0.472]), array([0.473, 0.376]), array([0.725, 0.445]), array([0.446, 0.459])]]
- 可视化输出：
不同的颜色分别为1类，可以看见每次聚类样本类别的变化：
ps：这个是我的一个课程作业，就直接贴上来啦，原理啥的就不多说了
