Technology sharing

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

AI Learning Guide Machina Learning - K - means Clustering Model Training and Praediction

Intelligentia artificialis (AI) unum ex calidissimis argumentis hodie in mundo est et mutatur via qua vivimus et laboramus. Ut pars magna AI, doctrina apparatus magnam potentiam et valorem in variis agris ostendit. In machina discendi, ligatura algorithmus magni momenti est, et K-medii glomeratio est una e methodis classicis. In hoc blog, processum disciplinae et processum praedictionis K mediorum glomerantium exemplarium in speciali introducebimus, et exempla praebemus ad illustrandum quomodo usus K significat ligaturas ad faciendam analysin botrum in notitia.

K, modo pampineis exemplar

K-medium pampineum est algorithmus insuetus discendi qui dividit exempla in data in racemis K infixis, ut distantiam inter exempla in eodem botro quam minimum efficiat et distantiam inter uvas quam maximas quam maximas. In K-modo racemus, quilibet botrus ibit per ibit, et pampineis itera- tive conficitur, extenuando distantiam inter exempla in botro et ibit.

Processus K-medii pampinei ruditer dividi potest in gradus sequentes;

1. K initial centrum puncta Select
2. Uterque specimen in botro cum proximo centrum punctum
3. Renova ibit cuiusque botri
4. Gradus 2 et 3 iterare, donec destinatio botri non iam mutationes vel numerus iterationum ad superiorem terminum perventum sit.

De processu praedictionis instrumenti glomerati K-exemplari nova exemplaria ad botrum cum ibit proximis assignare est.

Disciplina processus of K-modo pampineis exemplar

In hac parte, processum disciplinae mediorum K, instrumentorum racemorum exemplar in specie introducebimus. Ad explicationem facilitatem, bibliotheca Pythonis scikit-sica utemur ad demonstrationem.

Primum, pertinet ad bibliothecas pertinentes importare;

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
1
2
3
4

Deinceps generamus aliquas simulatas notitias ad demonstrandum;

X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)
1

Possumus igitur uti in K significat pampineis exemplaribus in notitia instituendi:

kmeans = KMeans(n_clusters=4)
kmeans.fit(X)
1
2

Denique consequitur institutionem visualizare possumus, sicut et centroides uvarum:

plt.scatter(X[:, 0], X[:, 1], s=50, c="lightblue", marker="o", edgecolor="black")
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=250, marker="*", c="red", edgecolor="black")
plt.show()
1
2
3

Per gradus superiores processum disciplinae mediorum K instrumentorum glomerati explevimus et etiam imaginem visualem proventuum formationem consecuti sumus.

Praedictio processus of K significat pampineis exemplar

Deinde introducamus praedictionem processus instrumenti K-ibili exemplo. In K significat exemplar racemum, praedictionis processus nova exemplaria ad botrum cum centroide proximis assignare est.

Primum, uti possumus, in K-medio pampineis exercitatis exemplaribus nova exempla praedicere;

new_samples = np.array([[0, 0], [4, 4]])
predicted_labels = kmeans.predict(new_samples)
print(predicted_labels)
1
2
3

In superiore codice duo exempla nova creamus[0, 0]et[4, 4]et uterepredict modum praedicere. Denique editas pittacia botri pro novis exemplis obtinemus.

Exemplum

Ut intelligamus institutionem et praedictionem processus instrumenti K-ibili exemplorum intuitive, speciali exemplo illustrabimus.

Puta nos habere dataset cum tribus featuresX dividere eam in ligaturas 3 volumus. Primum, notitias instruere possumus utentes in K-mediis pampineis exemplaribus:

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
1
2

Deinde exemplar ad nova exempla eruditum applicamus:

new_samples = np.array([[1, 1, 1], [2, 2, 2]])
predicted_labels = kmeans.predict(new_samples)
print(predicted_labels)
1
2
3

Per exempla superiora clare videre possumus processum disciplinae et praedictionis de K-medii pampineis exemplar.

Summatim

Per huius diarii introductionem accuratam intelligentiam processus disciplinae et processus praedictionis de K mediorum glomerorum exemplarium habemus, et per exempla demonstramus quomodo bibliothecam Pythonis scikit-discendi utendi ad K-modia racemosam perficiat. K-medium racemosi est algorithmus simplex et efficax pampinus, qui applicari potest variis campis, inclusa analysi, processus imaginis, etc. Spero hoc blog adiuvabit ut machina discendi et intellegentiae artificialis discas!