1）。トランプの手動演奏のK平均クラスタリングプロセス：> 30枚のカード、3種類
ここでは、40枚のカードを選択し、ランダムに3枚のカードを選択し、それぞれのポイントをクラスセンターとして使用しました。最初は2 6 9でした。
各分類の基本は、ポイントが中心に近く、分類の下で分類されることです。初めて分類した後、各クラスの中心値を計算し（このクラスのすべての数値を平均）、3つのクラスの中心を再描画すると、2番目のクラスは次のようになります
クラスの中心が変化しなくなるまで、上記の計算手順を繰り返します。具体的な結果を次の表に示します。
2）。* K平均アルゴリズムは独立して記述され、クラスタリングはアイリス花弁の長さのデータに対して実行され、散布図で表示されます。（プラスポイント）
numpyをnpとしてインポートします。
sklearn.datasetsからimport load_iris
matplotlib.pyplotをpltとしてインポートする
アイリス= load_iris（）
pl = iris.data [：、2]
n = len（pl）＃サンプル数
k = 3＃センターの数
dist = np.zeros（[n、k + 1]）＃行列を初期化する
center = np.zeros（[k]）
centerNew =例：ゼロ（[k]）
範囲（k）のfor i：＃最初に同じ中心を避ける
range（n）のjの場合：
pl [j]が中央にある場合：
継続する
そうしないと：
center [i] = pl [j]
ブレーク
while（真）：
range（n）のiの場合：
range（k）のjの場合：
dist [i、j] = np.sqrt（（pl [i] -center [j]）** 2）＃距離を計算
dist [i、k] =例：マージン（dist [i ,: k]）
＃新しい中心を計算する
範囲（k）のiの場合：
インデックス= dist [:, k] == i
centerNew [i] = np.mean（pl [index]）
＃2つの中心が以前に同じであった場合は飛び出し、そうでない場合は続行します
if np.all（（center == centerNew））：
ブレーク
そうしないと：
範囲（k）のiの場合：
center [i] = centerNew [i]
plt.scatter（pl、pl、c = dist [：、k]、s = 60、cmap = 'rainbow'）
plt.show（）
結果が出た後、それは非常に満足のいくものではありませんでした。
3）。クラスタリングにsklearn.cluster.KMeansとアイリス花弁の長さデータを使用し、散布図で表示します。
matplotlib.pyplotをpltとしてインポートする sklearn.clusterからインポートKMeans sklearn.datasetsからimport load_iris アイリス= load_iris（） pl = iris.data [：、2] x = pl.reshape（-1,1） est = KMeans（n_clusters = 3） 推定適合（x） y_kmeans = est.predict（x） plt.scatter（x [：、0]、x [：、0]、c = y_kmeans、s = 50、cmap = 'rainbow'）; plt.show（）
4）。アイリスの花の完全なデータがクラスター化され、散布図で表示されます。
irisData = iris.data KMeans_model = KMeans（n_clusters = 3） KMeans_model.fit（irisData） pre = KMeans_model.predict（irisData） plt.scatter（irisData [：、2]、irisData [：、3]、c = pre、s = 50、cmap = 'rainbow'） plt.show（）
5）。k-meansアルゴリズムで何が使用されているかを考えますか？
k-meansアルゴリズムは、教師なし分類アルゴリズムです。主に、多数の特徴データを使用してカテゴリを区別します。上記の質問と同様に、KMeansアルゴリズムは、虹彩の種類を区別するために使用できます。実際には、人を区別するためにも使用できます。体重や身長などのデータは、身長、身長、体脂肪、痩身など体調の異なる人を分けるのに使用でき、短編作品と長編作品は文学作品の長さで分類することもできます。