首页 / 算法 / 4.K均值算法--应用
4.K均值算法--应用
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了4.K均值算法--应用,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2230字,纯文字阅读大概需要4分钟。
内容图文
![4.K均值算法--应用](/upload/InfoBanner/zyjiaocheng/635/4a44303970384338a3f10b4d2261ad5e.jpg)
1. 应用K-means算法进行图片压缩。
读取一张图片
观察图片文件大小,占内存大小,图片数据结构,线性化
用kmeans对图片像素颜色进行聚类
获取每个像素的颜色类别,每个类别的颜色
压缩图片生成:以聚类中收替代原像素颜色,还原为二维
观察压缩图片的文件大小,占内存大小
from sklearn.datasets import load_sample_image import matplotlib.pyplot as plt from sklearn.cluster import KMeans from pylab import mpl import sys import numpy as np import matplotlib.image as img # 指定字体,解决plot不能显示中文的问题 mpl.rcParams['font.sans-serif'] = ['SimHei'] china = load_sample_image("china.jpg") # 读取一张图片 plt.imshow(china) plt.title("原图片") plt.show() # 显示图片 img.imsave('D://img//china.jpg', china) print("图片占内存大小", sys.getsizeof(china)) print("图片数据结构", china.shape) image = china[::3, ::3] print("降低分辨率后图片的数据结构", image.shape) x = image.reshape(-1, 3) # 线性化 print("线性化后的数据结构", x.shape) # 用kmeans对图片像素颜色进行聚类 n_colors = 64 # (255,255,255) model = KMeans(n_colors) # 64类聚类中心 labels = model.fit_predict(x) # 每个像素的颜色类别 print("每个像素的颜色类别的数据结构", labels.shape) colors = model.cluster_centers_ # 每个类别的颜色 print("每个类别的颜色的数据结构", colors.shape) new_image = colors[labels] # 以聚类中收替代原像素颜色 new_image = new_image.reshape(image.shape) # ,还原为二维数组 print("压缩图片占内存大小", sys.getsizeof(new_image)) # 压缩图片占内存大小 new_image = new_image.astype(np.uint8) plt.imshow(new_image) plt.title("压缩后的图片") plt.show() # 显示图片 img.imsave('D://img//new_china.jpg', new_image) # 保存图片,查看压缩图片的文件大小
2. 观察学习与生活中可以用K均值解决的问题。
从数据-模型训练-测试-预测完整地完成一个应用案例。
这个案例会作为课程成果之一,单独进行评分。
from sklearn.cluster import KMeans #导入kmeans算法 airline_scale = np.load('../tmp/airline_scale.npz')['arr_0'] k = 5 ## 确定聚类中心数 #构建模型 kmeans_model = KMeans(n_clusters = k,n_jobs=4,random_state=123) fit_kmeans = kmeans_model.fit(airline_scale) #模型训练 kmeans_model.cluster_centers_ #查看聚类中心 kmeans_model.labels_ #查看样本的类别标签 #统计不同类别样本的数目 r1 = pd.Series(kmeans_model.labels_).value_counts() print('最终每个类别的数目为:\n',r1)
内容总结
以上是互联网集市为您收集整理的4.K均值算法--应用全部内容,希望文章能够帮你解决4.K均值算法--应用所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。