Python scikit-learn，非监督学习 (没有目标值)，k-means聚类算法，KMeans

Bertha 。 2022-03-15 12:10 140阅读 0赞

k-means，k表示聚类的目标类别数(如果不知道,就是超参数)

一般应用中是先进行k-means聚类，然后再进行分类预测。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvdXlhbmh1YTE_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvdXlhbmh1YTE_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvdXlhbmh1YTE_size_16_color_FFFFFF_t_70 2][]

--------------------

### **demo.py（k-means聚类，通过轮廓系数进行评估）：** ###

import pandas as pd
    from sklearn.decomposition import  PCA
    from sklearn.cluster import KMeans
    from sklearn.metrics import silhouette_score
    
    
    # K-means 聚类   根据用户商品订单数据进行聚类。预测用户对某商品的喜好程度。
    data = pd.read_csv("./demo.csv")
    
    # 特征降维  PCA主成分分析
    pca = PCA(n_components=0.9)  # 保留90%的信息
    data = pca.fit_transform(data)
    print(data.shape)  # (500, 27)   500个样本，降维到27个特征
    
    
    # k-means聚类
    km = KMeans(n_clusters=4)   # 假设分为4个类别。 (如果不知道类别个数，可以通过轮廓系数进行调参调优)
    km.fit(data)  # 填充数据
    
    # 聚类结果  预测
    predict = km.predict(data)  # 500个样本的聚类结果
    print(predict)
    '''
    array([1, 1, 3, 1, 1, 2, 1, 2, 0 ,..., 2, 1, 1], dtype=int32)
    '''
    
    # 轮廓系数 评估聚类效果
    sc = silhouette_score(data, predict)
    print(sc)  # 0.61023872302956417 (越接近1越好)
    # 可以根据轮廓系数来优化K的值。

**k-means优点：**采用迭代式算法，直观易懂并且非常实用  
**缺点：**最终的聚类结果可能只是局部的最优解，而不是全局的最优解(和初始随机的K个中心点有关)。（解决办法：多次进行聚类(API已自动实现)）

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvdXlhbmh1YTE_size_16_color_FFFFFF_t_70]: /images/20220315/2d6fd65c25204d6f98d98cc99269b46c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvdXlhbmh1YTE_size_16_color_FFFFFF_t_70 1]: /images/20220315/46cb48c45ba74341abc8dc41de01b37a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvdXlhbmh1YTE_size_16_color_FFFFFF_t_70 2]: /images/20220315/35417f8f168143538efe5fa8fc84a030.png