1、導(dǎo)入數(shù)據(jù)

#導(dǎo)入花萼數(shù)據(jù) from sklearn.datasets import load_iris iris=load_iris() iris.data

前四列為花萼長(zhǎng)度，花萼寬度，花瓣長(zhǎng)度，花瓣寬度等4個(gè)用于識(shí)別鳶尾花的屬性

2、建模

#創(chuàng)建kmeans聚類(lèi) from sklearn.cluster import KMeans kmeans=KMeans(n_clusters=3,init='k-means++',random_state=123) #分為三類(lèi) y_kmeans=kmeans.fit_predict(iris.data) y_kmeans

可以看出0聚類(lèi)得很好，但是2當(dāng)中夾雜著1，1中夾雜著2，1和2存在混淆

3、可視化聚類(lèi)模型

import matplotlib.pyplot as plt #畫(huà)出了三個(gè)類(lèi)的中心點(diǎn)位置 plt.scatter(iris.data[y_kmeans==0,2],iris.data[y_kmeans==0,3],s=100,c='red',label='Cluter 1') plt.scatter(iris.data[y_kmeans==1,2],iris.data[y_kmeans==1,3],s=100,c='blue',label='Cluter 2') plt.scatter(iris.data[y_kmeans==2,2],iris.data[y_kmeans==2,3],s=100,c='green',label='Cluter 3')plt.scatter(kmeans.cluster_centers_[:,2],kmeans.cluster_centers_[:,3],s=100,c='black',label='Controids') plt.legend() plt.show()

從圖上可以看出，第0類(lèi)為花瓣長(zhǎng)度，花瓣寬度較低的類(lèi)別，第1類(lèi)為花瓣長(zhǎng)度，花瓣寬度居中的類(lèi)別，圖中黑點(diǎn)為三個(gè)類(lèi)別的中心點(diǎn)

4、模型優(yōu)化

對(duì)于聚類(lèi)模型，分多少類(lèi)是關(guān)鍵點(diǎn)，每類(lèi)數(shù)據(jù)到其中心點(diǎn)的距離之和，值越小據(jù)類(lèi)越好，但是當(dāng)類(lèi)別越多，k自然就越小，值對(duì)應(yīng)的也就越小，因此有一種判定方法當(dāng)快速下降趨于平緩下降的轉(zhuǎn)折點(diǎn)，為聚類(lèi)的最好情況。

vess=[] for i in range(1,4):kmeans=KMeans(n_clusters=i,init='k-means++',random_state=42)kmeans.fit(iris.data)vess.append(kmeans.inertia_)#kmeans.inertia_ 每類(lèi)數(shù)據(jù)到其中心點(diǎn)的距離之和 plt.plot(range(1,4),vess) plt.show()

可以發(fā)現(xiàn)到橫坐標(biāo)為2時(shí)，中心點(diǎn)距離緩慢下降，所以分成兩類(lèi)會(huì)比較好

以上簡(jiǎn)單的聚類(lèi)模型建立完畢啦，后續(xù)再優(yōu)化吧

總結(jié)

以上是生活随笔為你收集整理的花瓣长度和花瓣宽度散点图鸢尾花_基于python的鸢尾花简单聚类模型分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。