1.クラスの練習
#ワークショップ から sklearn.datasets インポートload_iris #インポートデータ虹彩 絞り= load_iris() 虹彩 iris.keys() データ =アイリス[ 「データ」 ] #の虹彩データは = iris.targetターゲット#花が属するラベル、 虹彩.feature_names #機能名:萼長さ、幅萼片、花弁の長さ、幅花びら #'萼片の長さ(cm&LT)'、 'がく片の幅(CM&LT)'、 '花弁の長さ(cm&LT)'、 '花弁幅(CM&LT)'
2.宿題
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
最初の分類 | ファーストクラスセンター | 1 | 8 | 13 |
和 | 18 | 127 | 86 | |
平均 | 18/8 | 127/18 | 86/7 | |
2番目の分類 | セカンドクラスセンター | 2.25 | 7.05 | 12.28 |
和 | 18 | 107 | 106 | |
平均 | 18/8 | 107/16 | 106/9 | |
第三分類 | 第三の新センター | 2.25 | 6.68 | 11.77 |
和 | 18 | 107 | 106 | |
平均 | 18/8 | 107/16 | 106/9 | |
クラスタリングセンター | センター | 2.25 | 6.68 | 11.77 |
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)
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。
sklearn.datasets インポートload_iris から sklearn.cluster インポート関数kmeans インポートAS PLT matplotlib.pyplot #インポートデータ虹彩 IRIS = load_iris() データ = IRIS [ ' データ' ] #の虹彩データ 花びらデータを= [:2] #花びら長データ #1 #nは任意の行-1意味一つに行 X_petal petal.reshape =(-1,1 ) MODEL1 =関数kmeansを(= n_clusters。3)#1 ビルドモデル、クラスタ中心の数。3 MODEL1。フィット(X_petal) #のモデルトレーニング Y_petal = model1.predict(X_petal) #モデルを訓練した後、花弁分類の予測された長さに応じて #Cは色分けされ、CMAPカラーが設けられている 。#Xが花弁データ軸、Y軸が虹彩の分類され plt.rcParams [ 「font.sans serif- 」 ] = [ 「SimHei 」 ] #通常表示タグ中国語 PLTを.scatter(X_petal [:、0]、Y_petal、c = Y_petal、cmap = " 虹" ) plt.xlabel(" 花弁の長さ(cm)" ) plt.ylabel(" アイリス分類" ) plt.yticks(範囲( 3)、labels = [ ' setosa '、' versicolor '、' virginica ' ])
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。
sklearn.datasets インポートload_iris から sklearn.cluster インポート関数kmeans インポートがAS PLT matplotlib.pyplot #インポートアイリスデータを IRIS = load_iris() X_iris = iris.data #アイリス完全なデータ モデル=関数kmeans(= n_clusters。3) #のビルドモデルを、クラスタ中心の数3。 model.fit(X_iris) #のモデルトレーニング Y_iris = model.predict(X_iris) #モデルを訓練した後、予測された分類のすべてのデータ plt.scatter(X_iris [:]、[2] 、X_iris [:、3 ]、c = Y_iris、cmap = " rainbow " ) plt.xlabel(" 花びらの長さ(cm)") plt.ylabel(「花びらの幅(cm)」)
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平均アルゴリズムは、ラベルなしでデータを分類できるクラスタリングアルゴリズムです。
実際の生活の中で、それは市場セグメントを助けることができ、顧客はマーケティングとサービスのために異なる市場セグメントグループに分けることができます。
または、ソーシャルネットワーク分析を実行し、人々間の相互作用を観察して、互いに関連している人々のグループを見つけることができます。