Python小白进阶二：如何通过sklearn库实现Kmeans算法

     在机器学习的任务中有一个非常重要的任务就是对样本进行聚类，聚类的方法有很多，本文讲述的是通过使用sklearn库在python中实现kmeans算法。

     kmeans是一种无监督的算法，它的步骤如下：

     1.随机选择k个点作为初始的聚类中心；

     2.对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇
     3.对每个簇，计算所有点的均值作为新的聚类中心

     4.重复2、3直到聚类中心不再发生改变 

    

接下来会说一下如何通过代码实现这个问题：

import numpy as npfrom sklearn.cluster import KMeans   #导入sklearn相关包

加载数据，创建K-means算法实例，并进行训练，获得聚类后的标签

if __name__ == '__main__':    data,cityName = loadData('city.txt')  #下载样本    km = KMeans(n_clusters=4)    #聚类中心为4    label = km.fit_predict(data)  #得到聚类后的标签    expenses = np.sum(km.cluster_centers_,axis=1)  #按行求和

输出标签，查看结果

CityCluster = [[],[],[],[]]    for i in range(len(cityName)):        CityCluster[label[i]].append(cityName[i])    for i in range(len(CityCluster)):        print("Expenses:%.2f" % expenses[i])        print(CityCluster[i])