python自编程实现k-means聚类模型并画出图像

好的，下面是Python自编程实现k-means聚类模型并画出图像的步骤： 1. 导入必要的库 ```python import numpy as np import matplotlib.pyplot as plt ``` 2. 生成数据集 ```python # 生成数据集 np.random.seed(42) X = np.random.randn(100, 2) ``` 3. 定义k-means聚类模型 ```python class KMeans: def __init__(self, k=2, max_iter=100): self.k = k self.max_iter = max_iter def fit(self, X): # 随机初始化聚类中心 self.centers = X[np.random.choice(len(X), self.k, replace=False)] for i in range(self.max_iter): # 计算每个样本到聚类中心的距离 distances = np.sqrt(((X - self.centers[:, np.newaxis])**2).sum(axis=2)) # 分配样本到最近的聚类中心 labels = np.argmin(distances, axis=0) # 更新聚类中心 for j in range(self.k): self.centers[j] = X[labels == j].mean(axis=0) self.labels = labels ``` 4. 使用k-means聚类模型进行聚类 ```python # 使用k-means聚类模型进行聚类 kmeans = KMeans(k=3) kmeans.fit(X) ``` 5. 可视化聚类结果 ```python # 可视化聚类结果 plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels) plt.scatter(kmeans.centers[:, 0], kmeans.centers[:, 1], marker='*', s=200, c='r') plt.show() ``` 完整代码如下： ```python import numpy as np import matplotlib.pyplot as plt class KMeans: def __init__(self, k=2, max_iter=100): self.k = k self.max_iter = max_iter def fit(self, X): # 随机初始化聚类中心 self.centers = X[np.random.choice(len(X), self.k, replace=False)] for i in range(self.max_iter): # 计算每个样本到聚类中心的距离 distances = np.sqrt(((X - self.centers[:, np.newaxis])**2).sum(axis=2)) # 分配样本到最近的聚类中心 labels = np.argmin(distances, axis=0) # 更新聚类中心 for j in range(self.k): self.centers[j] = X[labels == j].mean(axis=0) self.labels = labels # 生成数据集 np.random.seed(42) X = np.random.randn(100, 2) # 使用k-means聚类模型进行聚类 kmeans = KMeans(k=3) kmeans.fit(X) # 可视化聚类结果 plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels) plt.scatter(kmeans.centers[:, 0], kmeans.centers[:, 1], marker='*', s=200, c='r') plt.show() ```