k-means 非监督学习聚类算法

非监督学习

非监督学习没有历史样本数据和标签，直接对数据分析或得结果。

k-means 使用

>>> from sklearn.cluster import KMeans

>>> import numpy as np

>>> X = np.array([[1, 2], [1, 4], [1, 0],

...               [4, 2], [4, 4], [4, 0]])

>>> kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

>>> kmeans.labels_

array([0, 0, 0, 1, 1, 1], dtype=int32)

>>> kmeans.predict([[0, 0], [4, 4]])

array([0, 1], dtype=int32)

>>> kmeans.cluster_centers_

array([[ 1.,  2.],

       [ 4.,  2.]])

k-means重要参数

n_clusters 估计聚类的数量
n_init k-means算法基于不同中心点运行的次数
max_tier k-means一次运行的迭代次数，默认300，通常不到300就结束了

巴特西

k-means 非监督学习聚类算法

非监督学习

k-means 使用

k-means重要参数

最新文章

热门文章