这篇呢是接着上一篇kmeans的学习，这篇主要是介绍调用机器学习的库来使用集成的kmeans ,哈哈会调用就行，主要学习呢就是看官方文档，学习这个包装类的参数，返回值以及它方法,这里面有好多examples,大家可以尝试下。
下面是我练习时的代码：
#-*- coding:utf-8 -*-
from sklearn.cluster import KMeans
#from sklearn.cluster import k_means#这个是先写的，他们两的参数就相差一个数据集，不过还是建议用KMeans
import numpy as np
from sklearn.datasets import load_iris
def loadData(filePath):
dataSet = []
file = open(filePath, 'r')
for lines in file.readlines():
row = []
# curLine = lines.strip().split()#２维数据
curLine = lines.strip().split(',')
for line in curLine:
x = float(line)
row.append(x)
dataSet.append(row)
file.close()
return np.mat(dataSet)
if __name__ == '__main__':
# filePath = '../data/training_4k2_far.txt'
filePath = '../data/iris.txt'
dataSet = loadData(filePath)
# print dataSet
'''直接调用sklearn中的数据'''
# dataSet = load_iris().data
estimator = KMeans(n_clusters=4, max_iter=300, n_init=10).fit(dataSet)#构造聚类器
'''这个是必须写的，相当于上面构造出来，配置好，下面这句调用，当然也可以写到上面去
fit方法对数据做training 并得到模型'''
# estimator.fit(dataSet)#聚类
#下面是三个属性
'''把聚类的样本打标签'''
labelPred = estimator.labels_
'''显示聚类的质心'''
centroids =estimator.cluster_centers_
'''这个也可以看成损失，就是样本距其最近样本的平方总和'''
inertia = estimator.inertia_
print labelPred
print centroids
print inertia
#这下面是库里包装的方法
'''返回预测的样本属于的类的聚类中心'''
print estimator.fit_predict(dataSet)
print estimator.predict(dataSet)
'''这个是返回每个样本与聚类质心的距离'''
print estimator.fit_transform(dataSet)
print estimator.transform(dataSet)
'''这个我觉得和损失一样，评价聚类好坏'''
print estimator.score(dataSet)
使用sklearn库，代码很短也就几行，使用非常方便，当然也有很多大牛对库中的源码解读，谢谢大家！
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
