K-means聚类解释

K-means聚类是一种常用的无监督学习算法，用于将数据集划分为K个不同的类别。其基本思想是通过迭代地将数据点分配到K个不同的类别中，并更新每个类别的质心，直到达到收敛条件。以下是一个使用Python示例代码解释K-means聚类的方法：

import numpy as np
from sklearn.cluster import KMeans

# 创建一个示例数据集
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 定义K-means聚类模型，设置聚类数为2
kmeans = KMeans(n_clusters=2)

# 使用数据集X训练K-means模型
kmeans.fit(X)

# 获取每个数据点所属的类别
labels = kmeans.labels_

# 获取每个类别的质心坐标
centroids = kmeans.cluster_centers_

# 打印每个数据点所属的类别和质心坐标
for i in range(len(X)):
    print("数据点", X[i], "属于类别", labels[i])

print("类别1的质心坐标为", centroids[0])
print("类别2的质心坐标为", centroids[1])

在上述代码中，我们首先导入了必要的库，然后创建了一个示例数据集X，其中包含了6个数据点。接下来，我们使用KMeans类定义了一个K-means聚类模型，并将聚类数设置为2。然后，我们使用数据集X训练了K-means模型，并通过labels_属性获取每个数据点所属的类别。通过cluster_centers_属性可以获取每个类别的质心坐标。最后，我们打印了每个数据点所属的类别和每个类别的质心坐标。

注意，K-means聚类算法的结果可能会受到初始质心的选择影响，因此在实际应用中，可能需要运行多次K-means算法并选择最佳结果。