零、学习生成测试数据

---

from sklearn.datasets import make_blobs
from matplotlib import pyplot

#  create test data sets
datas, targets = make_blobs(
    n_samples=100, #样本数量
    n_features=2, #样本特征数
    centers=3, #中心数量
    cluster_std=[0.5, 1.0, 1.5], #方差
    center_box=(-20.0, 20.0),
    shuffle=True,
    random_state=None
)

pyplot.scatter(datas[:,0],datas[:,1],c=targets)
pyplot.show()

一、建立模型

---

km = KMeans(n_clusters=3, random_state=10)#创建模型（几个群组，随机种子数）
km.fit(datas, targets)#计算聚类
y_hat = km.predict(datas)#给这个样本估计最接近的分组（簇）
'''
ret = km.fit_predict(datas) #返回一个给数据每一项分组的组号列表
print km.get_params()#获取参数信息
km.set_params(keyname=value)
'''

其他常用函数

二、KMeans算法原理

---