在 Python 中为每次迭代绘制 KMeans 聚类中心

Posted 2023-03-12

【中文标题】在 Python 中为每次迭代绘制 KMeans 聚类中心

【英文标题】：Plotting the KMeans Cluster Centers for every iteration in Python

【发布时间】：2021-04-03 13:12:17

【问题描述】：

我创建了一个包含 6 个集群的数据集，并使用下面的代码对其进行可视化，并找到每次迭代的集群中心点，现在我想可视化 KMeans 算法中集群质心更新的演示。该演示应包括通过生成 2×2 轴图形的前四次迭代。 我找到了这些点，但我无法绘制它们，请您查看我的代码并通过查看，帮助我编写散点图算法吗？

到目前为止，这是我的代码：

import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import make_blobs
data = make_blobs(n_samples=200, n_features=8, 
                           centers=6, cluster_std=1.8,random_state=101)
data[0].shape
plt.scatter(data[0][:,0],data[0][:,1],c=data[1],cmap='brg')

plt.show()
from sklearn.cluster import KMeans

print("First iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=1)
kmeans.fit(data[0])
centroids=kmeans.cluster_centers_
print(kmeans.cluster_centers_)
print("Second iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=2)
kmeans.fit(data[0])
print(kmeans.cluster_centers_)
print("Third iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=3)
kmeans.fit(data[0])
print(kmeans.cluster_centers_)
print("Forth iteration points:")
kmeans = KMeans(n_clusters=6,random_state=0,max_iter=4)
kmeans.fit(data[0])
print(kmeans.cluster_centers_)

【问题讨论】：

“你能看看我的代码，然后看看，写散点图的算法” - 我认为你应该先尝试一下。不幸的是，Stack Overflow 不是让其他人为您编写代码的正确地方。您可以在 matplotlib 文档中找到示例（例如 matplotlib.org/3.3.3/gallery/shapes_and_collections/…）

是的，我尝试了十亿次，我的意思不是让你写代码我只是需要帮助，我的说法是错误的，我改变了它

【参考方案1】：

您可以使用plt.scatter() 和plt.subplots() 来实现此目的，如下所示：

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
data = make_blobs(n_samples=200, n_features=8, 
                           centers=6, cluster_std=1.8,random_state=101)

fig, ax = plt.subplots(nrows=2, ncols=2,figsize=(10,10))

from sklearn.cluster import KMeans
c=d=0
for i in range(4):
    ax[c,d].title.set_text(f"i+1 iteration points:")
    kmeans = KMeans(n_clusters=6,random_state=0,max_iter=i+1)
    kmeans.fit(data[0])
    centroids=kmeans.cluster_centers_
    ax[c,d].scatter(data[0][:,0],data[0][:,1],c=data[1],cmap='brg')
    ax[c,d].scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='black')
    d+=1
    if d==2:
        c+=1
        d=0

这将产生：

【讨论】：

首先，非常感谢您的回答，但我认为这不是我问题的正确答案，因为当我每次迭代都这样做时，它会给出完全相同的输出。我的输出应该是这样的：datascience.stackexchange.com/questions/87131/…

更新了我的答案。请检查这是否是您想要的。

您将获得相同的输出，因为在您创建的 blob 的第一次迭代之后质心没有改变。您可以打印并检查它。