kmeans的簡單理解

from sklearn.cluster import KMeans
import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],
              [4, 2], [4, 4], [4, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
kmeans.labels_

kmeans.predict([[0, 0], [4, 4]])

kmeans.cluster_centers_

X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
X應看作是有六個元素的集合,每個元素的信息是用二維表示的

然后通過kmeans生成一個分類器,生成分類器的標志是fit()函數

然后可以拿數據去預測。

這是一般通用的要走的流程

但是kmeans要預測的就是自己本身,所有可以有另一種寫法

y_pred = [KMeans](n_clusters=3, random_state=random_state).fit_predict(X_aniso)

返回的就是要分類的數據自己的結果,結果是一個由0、1、2組成的集合

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容