本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
k-means聚类算法是一种较为简单有效的聚类方法，它的实现也较为简单
本文展示一个python实现k-means聚类的代码例子，以及聚类结果
通过本文，可以了解如何自实现一个k-means，并通过代码加深对k-means算法的理解
本节用python自实现一个k-means聚类算法
k-means聚类-代码自实现
使用k-means算法进行聚类，只需先初始化k个聚类中心点
然后根据k-means的迭代规则，不断调聚类中心点的位置即可
具体代码实现如下：
"""
本代码用于自实现k-means聚类算法
本代码来自老饼讲解-机器学习:www.bbbdata.com
"""
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
# ------数据生成-----------
X, y = make_blobs(n_samples=150, random_state=10,centers=5) # 生成数据
sn = X.shape[0] # 样本个数
# ------初始化------------
k = 5 # 设置k值
idx = np.random.randint(0,sn,k) # 随机选择k个样本作为中心
c = X[idx,:] # 类别中心
# ------聚类过程-----------
c_idx = np.zeros(sn) # 样本的类别
for t in range(20): # 迭代20次
for i in range(sn): # 逐个更新样本所属类别
c_idx[i] = np.argmin(((c - X[i])**2 ).sum(axis=1)) # 更新当前样本所属类别
for i in range(k): # 逐个类别更新类别中心
c[i] = X[c_idx==i].mean(axis=0) # 更新当前类别中心
# ----展示结果--------------
plt.scatter(X[:, 0], X[:, 1], c=c_idx) # 以颜色标示类别
plt.axis('off') # 关闭坐标轴
plt.show() # 展示画布代码运行结果如下：
可以看到，每簇样本点都被标上了不同的颜色，说明k-means聚类是成功的
以上就是k-means代码的Demo了~
End