rmsprop（rmsprop怎么读）

import numpy as np
# 1. 随机选取K个中心作为初始值# 从数据集X中随机选择k个不同的数据点作为初始中心点def initialize_centroids(X, k): indices = np.random.choice(len(X), k, replace=False) return X[indices]
# 2. 对于数据集中的每个点，分别找到离它最近的中心点，将其归为相应的聚类# 计算数据集中每个点到每个中心点的欧氏距离，并返回每个点最近的中心点的索引def assign_clusters(X, centroids): # 计算每个点与每个中心点的距离 distances = np.sqrt((X - centroids[:, np.newaxis])2).sum(axis=2) # 返回每个点最近的中心点索引 return np.argmin(distances, axis=0)
# 3. 根据已有聚类的分配方案，对每个聚类（包括中心点和数据点），重新计算最优的中心点的位置# 根据当前的聚类结果，重新计算每个聚类中心点的位置，即聚类中所有点的平均位置def update_centroids(X, labels, k): # 对每个聚类计算新的中心点 new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)]) return new_centroids
# 4. 重复第2步和第3步，直到算法收敛，即中心点的位置与聚类的分配方案不再改变# K-means算法主函数，执行K-means聚类def kmeans(X, k, max_iters=100): # 初始化中心点 centroids = initialize_centroids(X, k) for i in range(max_iters): # 将每个点分配给最近的中心点 labels = assign_clusters(X, centroids) # 计算新的中心点 new_centroids = update_centroids(X, labels, k) # 如果中心点没有变化，说明已经收敛 if np.all(centroids == new_centroids): break centroids = new_centroids return centroids, labels
# 生成随机点np.random.seed(0)X = np.random.rand(40, 2)
# 执行K-means算法k = 4 # 用户可以修改k的值，表示聚类的数量centroids, labels = kmeans(X, k)

import numpy as npimport matplotlib.pyplot as pltimport time
# 1. 随机选取K个中心作为初始值def initialize_centroids(X, k): indices = np.random.choice(len(X), k, replace=False) return X[indices]
# 2. 对于数据集中的每个点，分别找到离它最近的中心点，将其归为相应的聚类def assign_clusters(X, centroids): distances = np.sqrt(((X - centroids[:, np.newaxis])2).sum(axis=2)) return np.argmin(distances, axis=0)
# 3. 根据已有聚类的分配方案，对每个聚类（包括中心点和数据点），重新计算最优的中心点的位置def update_centroids(X, labels, k): return np.array([X[labels == i].mean(axis=0) for i in range(k)])
# 4. 重复第2步和第3步，直到算法收敛，即中心点的位置与聚类的分配方案不再改变def kmeans(X, k, max_iters=100): centroids = initialize_centroids(X, k) for i in range(max_iters): labels = assign_clusters(X, centroids) new_centroids = update_centroids(X, labels, k) if np.all(centroids == new_centroids): break centroids = new_centroids plt.clf() # 清除当前图像 colors = ['r', 'b', 'y', 'g'] for j in range(k): plt.scatter(X[labels == j, 0], X[labels == j, 1], s=10, c=colors[j]) plt.scatter(centroids[:, 0], centroids[:, 1], s=100, c='red', marker='o') plt.title(f'Iteration {i+1}') plt.xlabel('X axis') plt.ylabel('Y axis') plt.pause(5) # 每5秒更新一次图像 return centroids, labels
# 生成随机点np.random.seed(0)X = np.random.rand(40, 2)
# 执行K-means算法k = 4 # 用户可以修改k的值centroids, labels = kmeans(X, k)
# 绘制最终的聚类结果colors = ['r', 'b', 'y', 'g']for j in range(k): plt.scatter(X[labels == j, 0], X[labels == j, 1], s=10, c=colors[j])plt.scatter(centroids[:, 0], centroids[:, 1], s=100, c='red', marker='o', label='Final Centroids')plt.title('Final Clustering Result')plt.xlabel('X axis')plt.ylabel('Y axis')plt.legend()plt.show()