TensorFlow深度学习实战（18）——K-means 聚类详解

K-means是一种经典的聚类算法，可用于将数据集分成不同的簇。在Python中，我们可以使用scikit-learn库中的KMeans函数来实现K-means聚类分析，并使用matplotlib库来可视化结果。 以下是一个简单的K-means聚类分析和结果可视化的示例代码： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans # 生成随机数据 np.random.seed(0) X = np.random.randn(100, 2) # 使用K-means聚类分析将数据分成3个簇 kmeans = KMeans(n_clusters=3) kmeans.fit(X) y_kmeans = kmeans.predict(X) # 可视化结果 plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis') centers = kmeans.cluster_centers_ plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5); ``` 上述代码将生成100个随机数据点，并使用K-means将这些数据点分成3个簇。最后，使用matplotlib库将簇和聚类中心可视化。 结果可视化如下图所示：  从上图中可以看出，K-means成功将数据点分成了3个簇，并找到了每个簇的聚类中心。