Построение центров кластеров KMeans для каждой итерации в Python
Я создал набор данных с 6 кластерами и визуализировал его с помощью приведенного ниже кода и нашел центральные точки кластера для каждой итерации, теперь я хочу визуализировать демонстрацию обновления центроидов кластера в алгоритме KMeans. Эта демонстрация должна включать первые четыре итерации путем создания фигуры 2 × 2 по осям. Я нашел точки, но не могу их построить, не могли бы вы проверить мой код и, посмотрев на него, помочь мне написать алгоритм для точечной диаграммы?
Вот мой код:
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import make_blobs
data = make_blobs(n_samples=200, n_features=8,
centers=6, cluster_std=1.8,random_state=101)
data[0].shape
plt.scatter(data[0][:,0],data[0][:,1],c=data[1],cmap='brg')
plt.show()
from sklearn.cluster import KMeans
print("First iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=1)
kmeans.fit(data[0])
centroids=kmeans.cluster_centers_
print(kmeans.cluster_centers_)
print("Second iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=2)
kmeans.fit(data[0])
print(kmeans.cluster_centers_)
print("Third iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=3)
kmeans.fit(data[0])
print(kmeans.cluster_centers_)
print("Forth iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=4)
kmeans.fit(data[0])
print(kmeans.cluster_centers_)
да, я пытался миллиард раз, я не хотел, чтобы вы написали код, мне просто нужна помощь, мое утверждение было неверным, я изменил его
Ответы 1
Вы можете использовать plt.scatter() и plt.subplots() для достижения этого следующим образом:
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
data = make_blobs(n_samples=200, n_features=8,
centers=6, cluster_std=1.8,random_state=101)
fig, ax = plt.subplots(nrows=2, ncols=2,figsize=(10,10))
from sklearn.cluster import KMeans
c=d=0
for i in range(4):
ax[c,d].title.set_text(f"{i+1} iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=i+1)
kmeans.fit(data[0])
centroids=kmeans.cluster_centers_
ax[c,d].scatter(data[0][:,0],data[0][:,1],c=data[1],cmap='brg')
ax[c,d].scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='black')
d+=1
if d==2:
c+=1
d=0
Это произведет:
прежде всего, большое спасибо за ваш ответ, но я думаю, что это неправильный ответ на мой вопрос, потому что, когда я делаю это для каждой итерации, он дает точно такой же результат. Мой вывод должен быть примерно таким: datascience.stackexchange.com/questions/87131/…
Обновил мой ответ. Пожалуйста, проверьте, хотите ли вы этого.
Вы получаете тот же результат, потому что центроиды не меняются после первой итерации для созданных вами больших двоичных объектов. Можете распечатать и проверить.
«Можете ли вы проверить мой код и, глядя на него, написать алгоритм для диаграммы рассеяния» - я думаю, вам следует сначала попробовать себя. К сожалению, Stack Overflow — не то место, где можно попросить кого-то другого написать код для вас. Вы можете найти примеры в документации по matplotlib (например, matplotlib.org/3.3.3/gallery/shapes_and_collections/…)