1.画像圧縮にK平均アルゴリズムを適用する
写真を読む
画像ファイルサイズ、メモリサイズ、画像データ構造、線形化を観察します
kmeansを使用して画像のピクセルカラーをクラスター化する
各ピクセルの色カテゴリ、各カテゴリの色を取得します
圧縮画像の生成：元のピクセルの色をクラスタリングで置き換え、2次元に戻ります
メモリサイズを使用して、圧縮された画像のファイルサイズを確認する
sklearn.datasets インポートload_sample_image から sklearn.cluster インポート関数kmeans インポートmatplotlib.pyplot ASのPLT のインポートSYS インポートmatplotlib.image AS IMG インポートnumpyのAS NP ＃は、画像の読み取り 画像= img.imread（" ./1.jpgを" ） print（' 元の画像ファイルサイズ：' 、image.size） print（' 元の画像メモリサイズ：' 、sys.getsizeof（image）） print（' 元の画像データ構造：\ n ' 、画像） plt.rcParams [ ' font.sans-serif ' ] = [ ' SimHei ' ] plt.title（" 元の画像" ） plt.imshow（画像） plt.show（）
元の画像サイズとデータ構造
元の画像：
＃画像ピクセルカラークラスタリングの関数kmeansで イメージイメージ= [3 ::、::。3] ＃低減された解像度 X-image.reshape =（-1 ,. 3 ） 印刷（image.shape、X.shape） n_colors = 64 モデル = 関数kmeans（n_colors） ラベル = model.fit_predict（X-） ＃は、各画素のカテゴリの色を取得する 色= model.cluster_centers_ ＃各色カテゴリについて取得 new_image =色[ラベル] .reshape（image.shape） ＃ポリ元のピクセルの色はクラスで置き換えられ、2次元の 印刷に復元されます（' 圧縮画像ファイルのサイズ：' 、new_image.size）印刷（' 圧縮画像はメモリサイズを占有 します：'、sys.getsizeof（new_image）） print（' 圧縮画像のデータ構造：\ n ' 、new_image） img.imsave（' D：//機械学習/ 2.jpg '、new_image）
圧縮された画像サイズとデータ構造：
元の画像と圧縮された画像のサイズの比較：
plt.title（" 圧縮画像" ） plt.imshow（new_image.astype（np.uint8）） ＃整数の色平均 plt.show（） plt.title（" 二次圧縮画像" ） plt.imshow（ new_image.astype（np.uint8）::。3、::。3]） ＃さらに、選択されたすべての3つの画素圧縮された圧縮画像 （plt.show）を
画像を2回圧縮します。
2.学習と生活においてK平均法で解決できる問題を観察します。
広州、天河区の住宅価格を観察するデータは次のとおりです。
建物の価格に対する建物の面積と建物の年の影響を観察するため、次の3つの列を選択して新しいデータフレームを作成し、それを配列に変換しました。
次に、モデルを構築します。構築が完了したら、クラスタリングセンター（0、1、2）を3つの配列に分割します。
a1、b1、c1を表示する：（小さなエラー）
①a1：400 <合計金額<1000（中価格物件）
②b1：総額＞ 1000（高額不動産）
③c1：合計価格<= 400（低コストの不動産）
データを視覚化し、建物の価格に従ってデータを分割します。これは、高、中、低の価格に大別できます。視覚化の結果は次のとおりです。
建築面積が大きいほど価格が高くなる新築年月で、低価格のものは狭い面積を占めているか、建築に時間がかかり、家が古くなっています。家を購入したい場合は、これら2つの要素を比較できます。ほぼ価格の見積もりがあります。
コードは次のとおりです。
インポートnumpyのAS NP インポートASのPLTをmatplotlib.pyplot から sklearn.cluster インポート関数kmeans インポートPANDAS AS PD ハウス（= pd.read_csv ' house.csv ' = 0、index_col） ＃は、データを読み出す DATAL =ハウス[ハウス[ ' 領域' ] == 「ミルキー」 ] ＃の抽出領域の領域データミルキーで TEST_DATA DATAL = [ 「建物年の構築」、「面積（平方メートル）を構築」、「総」 ] ＃前記3つのデータサンプルとしました = np.arrayデータ（TEST_DATA） ＃の型変換 モデル =関数kmeans（= n_clusters。3） ＃ビルドモデル model.fit（データ） Y = model.predict（データ） ＃の予測、分類 model.cluster_centers_ A = [] B = [] C = [] D = []
＃1 のデータは、後続の可視化のために、クラスタ中心によって分類 するための I における範囲（LEN（データ）） IF Y [I] == 0： a.append（データ[I 、:) ） a1 = np.array（a） elif y [i] == 1： b.append（data [i、：]） b1 = np.array（b） else ： c.append（data [i、：]） c1 = np.array（c） plt.rcParams [ ' font.sans-serif ' ] = [ ' SimHei ' ] plt.scatter（a1 [:, 1]、a1 [:, 0]、s = 55、c = ' ＃A6CEE3 '、marker = " * "） ＃ポリメラーゼ类中心= 0类 plt.scatter（b1 [:, 1]、b1 [:, 0]、s = 50、c = ' ＃FDBF6F '、marker = " D "） ＃。クラスタ中心=クラス1 plt.scatter（C1 [：1。]、C1 [：0]、S = 50、C = ' ＃B66538 '、マーカー= " X "） ＃のクラスタ中心クラス2 = PLT .legend（[ ' 中価格プロパティ'、' 高価格プロパティ'、' 低価格プロパティ' ]） plt.ylabel（" 築年" ） plt.xlabel（" 建築面積（平方メートル）" ） plt.title（" Tianhe不動産価格の分類と不動産面積および年係数の関係" ） plt.show（）