#从豆瓣安装 pip install kanren -i http://pypi.douban.com/simple --trusted-host pypi.douban.com 聚类算法 k-Means算法 第1步 - 需要指定所需的K个子组的数量。 第2步 - 修复群集数量并将每个数据点随机分配到群集 import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets.samples_generator import make_blobs #数据处理 X, Y = make_blobs(n_samples=500, centers=4, cluster_std=0.4, random_state=0) #模型构建、预测 kmeans = KMeans(n_clusters=4).fit(X) prebs = kmeans.predict(X) centers = kmeans.cluster_centers_#得到聚类中心 #绘图 plt.scatter(X[:, 0], X[:, 1], c=Y, s=50, cmap='viridis') plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5) #c:color;s:radius;alpha:颜色深浅 plt.show() 均值偏移算法 从分配给它们自己的集群的数据点开始。 现在，它计算质心并更新新质心的位置。 通过重复这个过程，向簇的顶点靠近，即朝向更高密度的区域移动。 该算法停止在质心不再移动的阶段。 import numpy as np from sklearn.cluster import MeanShift from sklearn.datasets.samples_generator import make_blobs import matplotlib.pyplot as plt from matplotlib import style style.use('ggplot') #数据处理 centers = [[2, 2], [4, 5], [3, 10]] X, _ = make_blobs(n_samples=500, centers=centers, cluster_std=1) #模型训练 ms = MeanShift().fit(X) labels = ms.labels_ #给X点做标记 cluster_centers = ms.cluster_centers_#得到聚点中心坐标 n_clusters_ = len(np.unique(labels))#聚点种类数 #绘图 colors = 10*['r.', 'g.', 'b.', 'c.', 'k.', 'y.', 'm.']#颜色表 for i in range(len(X)): plt.plot(X[i][0], X[i][1], colors[labels[i]], markersize=10) plt.scatter(cluster_centers[:, 0], cluster_centers[:, 1], marker="x", color='k', s=150, linewidths=5, zorder=10) plt.show() 