python实现K-means算法（步骤详细）

zhangtt123

[color=rgba(0, 0, 0, 0.75)]K-means 聚类算法
! I! K% s% F+ }
$ R% z1 v0 n4 ?

• 特点
  
  • 对初始化敏感。初始点选择的不同，可能会产生不同的聚类结果
  • 最终会收敛。不管初始点如何选择，最终都会收敛
    ! j  k$ u) s. Z( x2 d. g( Z
• 算法思想
  

   [color=rgba(0, 0, 0, 0.75)]
# @1 `: M* K0 Q0 i3 {4 f[color=rgba(0, 0, 0, 0.75)]代码实现实验目的

• 根据下列成绩单，将5名同学成绩归为A类、B类、C类。

• 限制：使用Kmeans算法实现，但不直接调用sklearn第三方库的KMeans函数。

  
  

  O9 V1 ~. s, d: P

学生姓名	小测1	小测2	小测3	期末成绩	项目答辩	成绩
张三	12	15	13	28	24	？
李四	7	11	10	19	21	？
王五	12	14	11	27	23	？
赵六	6	7	4	13	20	？
刘七	13	14	13	27	25	？

; [) O5 ]+ ]( M1 \* y实验步骤1. 数据准备

• 将数据储存为csv文件，格式如下

  

• 在从csv文件中读取数据，并选取可用的数据（排除姓名列）

  
  & t- t9 [4 W' v2 b( S- b& w

2. KMeans算法实现

• KMeans算法涉及两点之间距离的计算，我们提前写好一个函数：输入两个点的坐标，返回两点之间的欧氏距离

  
• [color=rgba(0, 0, 0, 0.75)]函数k_means(c,data,max,label)实现KMeans算法：
• [color=rgba(0, 0, 0, 0.75)]a. 输入：质心列表c，待聚类数据data，最大迭代次数max，标签列表label
• [color=rgba(0, 0, 0, 0.75)]b. 计算data中的每个点分别到3个质心的欧式距离，得到一个矩阵metrix
• 
• [color=rgba(0, 0, 0, 0.75)]c. 比较矩阵metrix同一列的数值大小，将对应的学生划归距离较短的质心所属的类，将标签存储为列表.
• [color=rgba(0, 0, 0, 0.75)]
• [color=rgba(0, 0, 0, 0.75)]d. 重新计算质心的坐标，新质心的坐标=被划归同一类点的坐标的平均值
• [color=rgba(0, 0, 0, 0.75)]

• e. 重复b~d，直到质心坐标不再变化或达到最大迭代次数

  f. 返回标签列表
  - B6 |1 r1 b* v5 r$ p* o; _/ k
  • 完整函数如下
  • 
    

3. 设置参数，调用函数，得到结果

• 设置初始质心、标签列表、最大迭代次数

  

• 调用函数，整理结果

• 

  
  

实验结果

• 初始质心为[12, 15, 13, 28, 24], [ 7, 11, 10, 19, 21],[12, 14, 11, 27, 23]时，迭代2次即收敛，结果如下
  / U# d9 E  M+ T7 w  ?

学生姓名	小测1	小测2	小测3	期末成绩	项目答辩	成绩
张三	12	15	13	28	24	A
李四	7	11	10	19	21	B
王五	12	14	11	27	23	C
赵六	6	7	4	13	20	B
刘七	13	14	13	27	25	A

& Y7 e, ~4 n( j( `7 T4 S( g, h原文地址：
https://blog.csdn.net/qq_39753778/article/details/106159732?utm_medium=distribute.pc_category.319779.nonecase&depth_1-utm_source=distribute.pc_category.319779.nonecase

/ c% b6 D7 }) z$ [* u, i

七点半的眼睛

发表回666666666666