[Python] Das Clustering-Ergebnis mit K-Mitteln wird durch PCA verkleinert und in einem Streudiagramm dargestellt.

Es war nicht wahrscheinlich, also schrieb ich einen Artikel. Angenommen, es gibt 6 Daten mit 4-dimensionalen Merkmalen.

sample.csv

1,2,3,4
1,2,3,5
1,2,4,5
4,3,2,1
5,3,2,1
5,4,2,1

Nach dem Clustering mit K-Mitteln wird die Dimension durch PCA reduziert und im Streudiagramm aufgetragen. Die K-means-Dokumentation ist hier, die PCA-Dokumentation ist [hier](http: // scikit-learn) .org / stabile / Module / generiert / sklearn.decomposition.PCA.html), Pyplot-Dokumentation hier.

sample.py

# -*- coding: UTF-8 -*-
import numpy as np
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# sample.Laden Sie csv
users = np.loadtxt('./sample.csv', delimiter=",")

# K-Clustering mittels
model = KMeans(n_clusters=2).fit(users)

#Dimensionsreduzierung mit PCA
pca = PCA(n_components=2)
users_r = pca.fit_transform(users)

#Zeichnen Sie die Ergebnisse in ein Streudiagramm
plt.figure()
for (i, label) in enumerate(model.labels_):
    if label == 0:
        plt.scatter(users_r[i, 0], users_r[i, 1], c='red')
    elif label == 1:
        plt.scatter(users_r[i, 0], users_r[i, 1], c='blue')
plt.show()

Das folgende Streudiagramm wird erhalten.