#class sklearn.cluster.KMeans(n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, precompute_distances=’auto’, verbose=0, random_state=None, copy_x=True, n_jobs=1, algorithm=’auto’)
#参数：
#（1）对于K均值聚类，我们需要给定类别的个数n_cluster，默认值为8；
#（2）max_iter为迭代的次数，这里设置最大迭代次数为300；
#（3）n_init设为10意味着进行10次随机初始化，选择效果最好的一种来作为模型；
#（4）init=’k-means++’ 会由程序自动寻找合适的n_clusters；
#（5）tol：float形，默认值= 1e-4，与inertia结合来确定收敛条件；
#（6）n_jobs：指定计算所用的进程数；
#（7）verbose 参数设定打印求解过程的程度，值越大，细节打印越多；
#（8）copy_x：布尔型，默认值=True。当我们precomputing distances时，将数据中心化会得到更准确的结果。如果把此参数值设为True，则原始数据不会被改变。如果是False，则会直接在原始数据上做修改并在函数返回值时将其还原。但是在计算过程中由于有对数据均值的加减运算，所以数据返回后，原始数据和计算前可能会有细小差别。
#属性：
#（1）cluster_centers_：向量，[n_clusters, n_features]
# Coordinates of cluster centers (每个簇中心的坐标？？)；
#（2）Labels_:每个点的分类；
#（3）inertia_：float，每个点到其簇的质心的距离之和。
2021-05-31 09:49:15
7KB
1
k-means算法python3
聚类算法k-means的简单实现
文件使用介绍：
1.下载后缀为py的文件；
2.下载后缀为txt的数据集；
3.将数据集与代码放在同一目录中，便可运行。
2021-05-30 18:35:25
2KB
1
matlab实现的k聚类算法实例，从excel表格中读取二维数据点（x,y）,然后将数据点分类，可以自主调节类别数量。压缩包包含如下内容：kmeans聚类函数（kmeans_clustering.m），测试代码（main.m），测试数据（testdata.xls）。在MATLAB 2019a和MATLAB 2016a下运行正常。
2021-05-25 21:40:47
12KB
1
此处基于K-means算法处理Iris数据集
Kmeans.py模块：
import numpy as np
class KMeansClassifier():
"""初始化KMeansClassifier类"""
def __init__(self, k=3, initCent='random', max_iter=500):
# 类的成员数据(变量前用下划线)
self._k = k # 中心点
self._initCent = initCent # 生成初始中心点
self._max_iter = max_ite
2021-05-25 18:31:23
92KB
1
svm算法手写matlab代码kaggle-场景分类（排名第一的提交）
从头开始实施k-means算法，并在数字数据上对其进行测试。
此外，使用它来学习用于场景表示的视觉词汇，然后将带有RBF内核的LibSVM用于流行的电视连续剧-大爆炸理论中的场景分类
要了解有关比赛的更多信息，请点击以下链接：
数据：
有两个带有数据的文件。
第一个digit.txt包含来自包含手写数字的图像的157个像素（原始785的子集）的1000个观测值。
第二个文件labels.txt包含真实数字标签（1、3、5或7）。
请注意，数字没有ID。
请假设第一行是ID
1，第二行是ID
2，依此类推。
标签与数字文件相对应，因此labels.txt的第一行是digit.txt第一行中数字的标签。
培训和测试图像将包含在bigbangtheory子目录中（由于限制，我没有在此处上传这些图像，如果您需要这些图像，请随时给我发送电子邮件）。
培训图像ID和标签在train.mat中给出。
该文件包含两个变量：imgIds和lbs。
imgIds是列向量，每行在训练集中都有一个图像名称。
lbs是表示带有相应索引的图像
2021-05-25 18:03:33
86KB
1