课件：KMeans算法对随机数据进行聚类分析

课件：KMeans算法对随机数据进行聚类分析

import matplotlib.pyplot as plt

import numpy as np

from sklearn.datasets import make_blobs

from sklearn.cluster import KMeans

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.rcParams['axes.unicode_minus'] = False

# 生成随机数据

X, _ = make_blobs(n_samples=300, centers=4, cluster_std=0.60,random_state=0)

# 运行KMeans算法

kmeans = KMeans(n_clusters=4)

kmeans.fit(X)

y_kmeans = kmeans.predict(X)

# 绘制散点图

plt.figure(figsize=(10, 8))

plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')

centers = kmeans.cluster_centers_

plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.5)

# 中文标签

plt.title("随机数据的KMeans聚类结果", fontsize=14)

plt.xlabel("特征1")

plt.ylabel("特征2")

#plt.savefig("/mnt/data/kmeans_clustering.png")

plt.show()

程序已经生成了一幅展示KMeans聚类分析结果的图像。这张图中，我们用不同的颜色代表了不同的聚类中心，同时红色的点标记了各个聚类中心的位置。

在这个分析中，我们随机生成了一组数据点，并利用KMeans算法将它们分成了4个聚类。聚类分析的结果可以用来识别数据中的模式，为进一步的数据分析和解释提供依据。