3. k平均アルゴリズム

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。

おすすめ