數(shù)據(jù)集和地圖可以點贊關(guān)注收藏后評論區(qū)留下QQ郵箱或者私信博主要

聚類是一類機器學習基礎(chǔ)算法的總稱。

聚類的核心計算過程是將數(shù)據(jù)對象集合按相似程度劃分成多個類，劃分得到的每個類稱為聚類的簇

聚類不等于分類，其主要區(qū)別在于聚類所面對的目標類別是未知的

k-means聚類也稱為K均值聚類算法，是典型的聚類算法，對于給定的數(shù)據(jù)集和需要劃分的類數(shù)K，算法根據(jù)距離函數(shù)進行迭代處理，動態(tài) 的把數(shù)據(jù)劃分成K個簇，直到收斂為止，簇中心也稱為聚類中心

先來個小例子

這個是通過聚類算法對鳶尾花數(shù)據(jù)集的預測結(jié)果

?代碼如下

from sklearn.cluster import  KMeans
from sklearn import  datasets
import  numpy as np
iris=datasets.load_iris()
x=iris.data
y=iris.target
clf=KMeans(n_clusters=3)
model=clf.fit(x)
predicted=model.predict(x)
print("預測值",predicted)
print("真實值",y)
print()

?同樣地k-means聚類算法廣泛地應用于人群分類，圖像分割，物種聚類等等問題中

下面以一個物流配送問題為例進行詳細講解

問題描述：雙十一期間，物流公司要給某城市的50個客戶配送貨物，假設(shè)公司只有5輛貨車，客戶的地理坐標在txt文件中，如何配送效率最高

問題分析：使用k-means算法，將地址數(shù)據(jù)分為5類，由于每一類客戶地址相近，可以分配給同一臺貨車

原地圖如下

經(jīng)過聚類分析后結(jié)果如下

?很明顯根據(jù)客戶的地址分為5個簇，每個簇由一臺貨車集中配送

源代碼如下

#coding=utf-8
from numpy import *
from matplotlib import pyplot as plt
import matplotlib; matplotlib.use('TkAgg')
def disteclud(veca,vecb):
    return sqrt(sum(power(veca-vecb,2)))
def initcenter(dataset,k):
    print('2.initalize cluster center')
    shape=dataset.shape
    n=shape[1]
    classcenter=array(zeros((k,n)))
    for j in range(n):
        firstk=dataset[:k,j]
        classcenter[:,j]=firstk
    return  classcenter
def mykmeans(dataset,k):
    m=len(dataset)
    clusterpoints=array(zeros((m,2)))
    classCenter=initcenter(dataset,k)
    clusterchanged=True
    print('3.recompute and reallocated')
    while clusterchanged:
        clusterchanged=False
        for i in range(m):
            mindist=inf
            minindex=-1
            for j in range(k):
                distji=disteclud(classCenter[j,:],dataset[i,:])
                if distji<mindist:
                    mindist=distji;minindex=j
            if clusterpoints[i,0]!=minindex:
                clusterchanged=True
            clusterpoints[i,:]=minindex,mindist**2
        for cent in range(k):
            ptsinclust=dataset[nonzero(clusterpoints[:,0]==cent)[0]]
            classCenter[cent,:]=mean(ptsinclust,axis=0)
    return classCenter,clusterpoints
def show(dataset,k,classCenter,clusterPoints):
    print('4.load the map')
    fig=plt.figure()
    rect=[0.1,0.1,1.0,1.0]
    axprops=dict(xticks=[],yticks=[])
    ax0=fig.add_axes(rect,label='ax1',frameon=False)
    imgp=plt.imread(r'C:\Users\Admin\Desktop\city.png')
    ax0.imshow(imgp)
    ax1=fig.add_axes(rect,label='ax1',frameon=False)
    print('5.show the clusters')
    numsamples=len(dataset)
    mark=['ok','^b','om','og','sc']
    for i in range(numsamples):
        markindex=int(clusterPoints[i,0])%k
        ax1.plot(dataset[i,0],dataset[i,1],mark[markindex])
    for i in range(k):
        markindex=int(clusterPoints[i,0])%k
        ax1.plot(classCenter[i,0],classCenter[i,1],'^r',markersize=12)
    plt.show()
print('1. load the dataset')
dataset=loadtxt(r'C:\Users\Admin\Desktop\testSet.txt')
k=5
classCenter,clssspoints=mykmeans(dataset,k)
show(dataset,k,classCenter,clssspoints)

數(shù)據(jù)集和地圖可以點贊關(guān)注收藏后評論區(qū)留下QQ郵箱或者私信博主要文章來源地址http://www.zghlxwxcb.cn/news/detail-433113.html

到了這里，關(guān)于python k-means聚類算法 物流分配預測實戰(zhàn)（超詳細，附源碼）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！