實驗02 鳶尾花分類

參考地址：https://blog.csdn.net/weixin_30607659/article/details/95010173

實驗記錄，方便以后查閱

一丶實現代碼

import numpy as np
#繪圖的工具 類似MATLAB
import matplotlib.pyplot as plt
#Matplotlib里面專門用來畫三維圖的工具包
from mpl_toolkits.mplot3d import Axes3D

from sklearn.cluster import KMeans
#函數庫 主要由分類，回歸，聚類，降維 四類函數方法組成
from sklearn import datasets
#隨機數
np.random.seed(5)

#KMeans在sklearn.cluster的包里面，在sklearn里面都是使用fit函數進行聚類


centers = [[1, 1], [-1, -1], [1, -1]]
#加載數據集  共150行 前四列為花萼長度，花萼寬度，花瓣長度，花瓣寬度等4個用於識別鳶尾花的屬性，第5列為鳶尾花的類別（包括Setosa，Versicolour，Virginica三類）
iris = datasets.load_iris()
#data對應了樣本的4個特征，150行4列
X = iris.data
#print(X.shape)
#target對應了樣本的類別（目標屬性），150行1列
y = iris.target
#print(y.shape)
#K-Means方法
#n_clusters : 聚類的個數k  init : 初始化的方式 n_init : 運行k-means的次數，最后取效果最好的一次
estimators = {'k_means_iris_3': KMeans(n_clusters=3),
              'k_means_iris_8': KMeans(n_clusters=8),
              'k_means_iris_bad_init': KMeans(n_clusters=3, n_init=1,
                                              init='random')}

#在sklearn中基本所有的模型的建模的函數都是fit，預測的函數都是predict

fignum = 1
for name, est in estimators.items():
    fig = plt.figure(fignum, figsize=(4, 3))
    plt.clf()
    ax = Axes3D(fig, rect=[0, 0, .95, 1], elev=48, azim=134)

    plt.cla()
    # fit建立模型
    est.fit(X)
    # 獲得模型聚類后的label
    labels = est.labels_
    # 繪制X中的第3，0，2個維度的特征
    ax.scatter(X[:, 3], X[:, 0], X[:, 2], c=labels.astype(np.float))

    ax.w_xaxis.set_ticklabels([])
    ax.w_yaxis.set_ticklabels([])
    ax.w_zaxis.set_ticklabels([])
    # 設置坐標軸名
    ax.set_xlabel('Petal width')
    ax.set_ylabel('Sepal length')
    ax.set_zlabel('Petal length')
    fignum = fignum + 1

# Plot the ground truth
# 繪制結果
fig = plt.figure(fignum, figsize=(4, 3))
plt.clf()
#設置坐標
ax = Axes3D(fig, rect=[0, 0, .95, 1], elev=48, azim=134)

plt.cla()

for name, label in [('Setosa', 0),
                    ('Versicolour', 1),
                    ('Virginica', 2)]:
    ax.text3D(X[y == label, 3].mean(),
              X[y == label, 0].mean() + 1.5,
              X[y == label, 2].mean(), name,
              horizontalalignment='center',
              bbox=dict(alpha=.5, edgecolor='w', facecolor='w'))
# Reorder the labels to have colors matching the cluster results
#重新排序標簽以使顏色與聚類結果匹配
y = np.choose(y, [1, 2, 0]).astype(np.float)
ax.scatter(X[:, 3], X[:, 0], X[:, 2], c=y)

ax.w_xaxis.set_ticklabels([])
ax.w_yaxis.set_ticklabels([])
ax.w_zaxis.set_ticklabels([])
#設置坐標軸名
ax.set_xlabel('Petal width')
ax.set_ylabel('Sepal length')
ax.set_zlabel('Petal length')
#繪制整張圖
plt.show()

 

二丶測試結果