《数据挖掘导论》实验课——实验七、数据挖掘之K-means聚类算法

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《数据挖掘导论》实验课——实验七、数据挖掘之K-means聚类算法，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1309字，纯文字阅读大概需要2分钟。

内容图文

实验七、数据挖掘之K-means聚类算法

一、实验目的

1. 理解K-means聚类算法的基本原理

2. 学会用python实现K-means算法

二、实验工具

1. Anaconda

2. sklearn

3. matplotlib

三、实验简介

1 K-means算法简介

k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无监督过程，即待处理数据对象没有任何先验知识，而分类过程为有监督过程，即存在有先验知识的训练数据集。

2 K-means算法原理

k-means算法中的k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离

四、实验内容

1. 随机生成100个数，并对这100个数进行k-mean聚类（k=3,4,5,6)(并用matplot画图）

1) 随机创建100个样本的二维数据作为训练集

2）k=3进行聚类

3）k=4进行聚类

4）k=5 进行聚类

5）k=6进行聚类，并观察簇分布

2. 对鸢尾花数据进行K-means算法聚类(并用matplot画图）。

五、实验总结（写出本次实验的收获，遇到的问题等）

通过本次实验的学习与操作，我掌握了KMeans算法的基本原理，以及使用sklearn方便的进行聚类构造的方法。并且使用matplot画图，形象直观地看出了K=3,4,5时不同的簇分布情况。

内容总结

以上是互联网集市为您收集整理的《数据挖掘导论》实验课——实验七、数据挖掘之K-means聚类算法全部内容，希望文章能够帮你解决《数据挖掘导论》实验课——实验七、数据挖掘之K-means聚类算法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

---