10.25作業
阿新 • • 發佈:2018-10-25
技術分享 load near 分類 while red lag bsp port
import numpy as np x = np.random.randint(1,100,[20,1]) y = np.zeros(20) k = 3 #選取數據空間中的K個對象作為初始中心,每個對象代表一個聚類中心; def initcenter(x,k): #初始聚類中心數組 return x[0:k].reshape(k) #對於樣本中的數據對象,根據它們與這些聚類中心的歐氏距離,按距離最近的準則將它們分到距離它們最近的聚類中心(最相似)所對應的類; def nearest(kc,i): #數組中的值,與聚類中心最小距離所在類別的索引號 d = (abs(kc-i)) w= np.where(d == np.min(d)) return w[0][0] def xclassify(x,y,kc): for i in range(x.shape[0]): #對數組的每個值進行分類,shape[0]讀取矩陣第一維度的長度 y[i] = nearest(kc,x[i]) return y # 更新聚類中心:將每個類別中所有對象所對應的均值作為該類別的聚類中心,計算目標函數的值; def kcmean(x,y,kc,k): #計算各聚類新均值 l = list(kc) flag = Falsefor c in range(k): print(c) m = np.where(y == c) n=np.mean(x[m]) if l[c] != n: l[c] = n flag = True #聚類中心發生變化 print(l,flag) return (np.array(l),flag) k = 3 kc = initcenter(x,k) flag = True print(x,y,kc,flag) #判斷聚類中心和目標函數的值是否發生改變,若不變,則輸出結果,若改變,則返回2while flag: y = xclassify(x,y,kc) kc, flag = kcmean(x,y,kc,k) print(y,kc,type(kc)) print(x,y) import matplotlib.pyplot as plt plt.scatter(x,x,c=y,s=50,cmap="rainbow"); plt.show()
#鳶尾花花瓣長度數據做聚類並用散點圖顯示。 import numpy as np from sklearn.datasets import load_iris iris = load_iris() x = iris.data[:,1] y = np.zeros(150) def initcenter(x,k): #初始聚類中心數組 return x[0:k].reshape(k) def nearest(kc,i): #數組中的值,與聚類中心最小距離所在類別的索引號 d = (abs(kc-i)) w = np.where(d == np.min(d)) return w[0][0] def xclassify(x,y,kc): for i in range(x.shape[0]): #對數組的每個值進行分類,shape[0]讀取矩陣第一維度的長度 y[i] = nearest(kc,x[i]) return y def kcmean(x,y,kc,k): #計算各聚類新均值 l = list(kc) flag = False for c in range(k): print(c) m = np.where(y == c) n=np.mean(x[m]) if l[c] != n: l[c] = n flag = True #聚類中心發生變化 print(l,flag) return (np.array(l),flag) k = 3 kc = initcenter(x,k) flag = True print(x,y,kc,flag) #判斷聚類中心和目標函數的值是否發生改變,若不變,則輸出結果,若改變,則返回2 while flag: y = xclassify(x,y,kc) kc, flag = kcmean(x,y,kc,k) print(y,kc,type(kc)) print(x,y) import matplotlib.pyplot as plt plt.scatter(x,x,c=y,s=50,cmap="Paired"); plt.show()
10.25作業