使用sklearn进行kmeans实战_sklearn.cluster 用法 kmeans中心点输出

背景

很多人写得太复杂了，更多人谈到sklearn的时候，早就知道了kmeas的原理，只是想快速上手而已。

代码

数据

我们知道，kmeans是无监督，没有标签。所以，我们的数据如下：

import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],
           [10, 2], [10, 4], [10, 0]])
1
2
3

6个数据点，每一个点是二维的。我们使用kmeas进行聚类。

代码

导入包

from sklearn.cluster import KMeans
1

#指定要聚多少个类别，以及拟合我们的数据X。
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)#
print(kmeans.cluster_centers_)
#输出聚类中心，我们是两个类，所以有两个中心。
print(kmeans.labels_)
#由于两个类别的中心已经知道，所以这6个点的类别当然也知道，看距离谁最近即可。
print(kmeans.predict([[0, 0], [12, 3]]))
#预测新的2个点的类别。和上面同理。
1
2
3
4
5
6
7
8

是不是很简单，核心已经说完了。