使用Python中的K-Means聚类分析测试数据

技术支持

技术支持分类

使用Python中的K-Means聚类分析测试数据

作者：成都软件开发
发表时间：2019-03-24 19:55
来源：未知

先决条件： Numpy，OpenCV，matplot-lib

让我们首先使用matplot-lib工具使用多个功能可视化测试数据。

filter_none

编辑

play_arrow

brightness_4

# importing required tools

import numpy as np

from matplotlib import pyplot as plt

# creating two test data

X = np.random.randint(10,35,(25,2))

Y = np.random.randint(55,70,(25,2))

Z = np.vstack((X,Y))

Z = Z.reshape((50,2))

# convert to np.float32

Z = np.float32(Z)

plt.xlabel('Test Data')

plt.ylabel('Z samples')

plt.hist(Z,256,[0,256])

plt.show()

这里'Z'是一个大小为100的数组，值范围从0到255.现在，将'z'重新整形为列向量。当存在多个特征时，它将更有用。然后将数据更改为np.float32类型。

输出：

现在，将k-Means聚类算法应用于与上述测试数据相同的示例，并查看其行为。

涉及的步骤：

1）首先我们需要设置测试数据。

2）定义标准并应用kmeans（）。

3）现在分开数据。

4）最后绘制数据。

filter_none

编辑

play_arrow

brightness_4

import numpy as np

import cv2

from matplotlib import pyplot as plt

X = np.random.randint(10,45,(25,2))

Y = np.random.randint(55,70,(25,2))

Z = np.vstack((X,Y))

# convert to np.float32

Z = np.float32(Z)

# define criteria and apply kmeans()

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

ret,label,center = cv2.kmeans(Z,2,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)

# Now separate the data

A = Z[label.ravel()==0]

B = Z[label.ravel()==1]

# Plot the data

plt.scatter(A[:,0],A[:,1])

plt.scatter(B[:,0],B[:,1],c = 'r')

plt.scatter(center[:,0],center[:,1],s = 80,c = 'y', marker = 's')

plt.xlabel('Test Data'),plt.ylabel('Z samples')

plt.show()

输出：

此示例旨在说明k-means将在何处生成直观可能的集群。

应用：

1）识别癌症数据。

2）学生学业成绩预测。

3）药物活性预测。