Á¤¼ºÈÆ
    lab1
lab1_chap11.py [1 KB]   lab1_chap11.png [57 KB]  




1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()  
import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets.samples_generator import make_blobs
 
X, y_true = make_blobs(n_samples=300, centers=4,
                       cluster_std=0.60, random_state=0)
plt.scatter(X[:, 0], X[:, 1], s=50);
 
kmeans = KMeans(n_clusters=4)
kmeans.fit(X)
y_kmeans = kmeans.predict(X)
 
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
 
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5);
plt.show()
cs

  µî·ÏÀÏ : 2020-08-02 [02:50] Á¶È¸ : 270 ´Ù¿î : 172   
 
¡â ÀÌÀü±Û(11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò
¡ä ´ÙÀ½±Ûkmeans2
ÀΰøÁö´É ½Ç½À
¹øÈ£ ¨Ï Á¦ ¸ñ À̸§
ÀΰøÁö´É (õÀα¹ Àú) ÄÚµå
¨ÕÆÄÀÌÅäÄ¡ ù°ÉÀ½ (ÃÖ°ÇÈ£ Àú) ÄÚµå
19    ¦¦❷ perceptron1 Á¤¼ºÈÆ
18 ¦¦❶ (11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò Á¤¼ºÈÆ
17    ¦¦❷ lab1 Á¤¼ºÈÆ
16    ¦¦❷ kmeans2 Á¤¼ºÈÆ
15    ¦¦❷ kmeans1 Á¤¼ºÈÆ
14    ¦¦❷ knn2 Á¤¼ºÈÆ
13    ¦¦❷ knn Á¤¼ºÈÆ
12 ¦¦❶ (10Àå) ¼±Çü ȸ±Í Á¤¼ºÈÆ
11    ¦¦❷ linear_reg2 Á¤¼ºÈÆ
10    ¦¦❷ lab2 Á¤¼ºÈÆ
9    ¦¦❷ lab1 Á¤¼ºÈÆ
8 ¦¦❶ (8Àå) À¯ÀüÀÚ ¾Ë°í¸®Áò Á¤¼ºÈÆ
7    ¦¦❷ GA Á¤¼ºÈÆ
6    ¦¦❷ generic Á¤¼ºÈÆ
5 ¦¦❶ (3Àå) °ÔÀÓÆ®¸® Á¤¼ºÈÆ

[1][2][3][4][5][6]