K-means為一種向量量化方法的分類方式，屬於非監督式學習的一種。 本單元透過鳶尾花資料集，帶大家看到K-Means及K-Medoids在Python裡的實作。文末提供程式檔案，歡迎大家一起下載練習唷!
(一) 引入模組及資料準備
在K-Means中，我們主要用的模型在sklearn.cluster裡面的KMeans。
在K-Medoids中，主要模型在sklearn_extra.cluster裡面的KMedoids。
其他就是一些我們常用到的計算、繪圖模組，以及sklearn裡面所提供的資料集。
值得注意的是，K-Medoids的套件只支援3.6以上的Python版本。
from sklearn.cluster import KMeans
from sklearn_extra.cluster import KMedoids
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
接下來，我們會從sklearn的資料庫裡面下載鳶尾花資料集。因為K-Means及K-Medoids皆屬於沒有標籤的非監督式學習，因此今天我們僅會用到鳶尾花資料集裡特徵的部分，而不會用到標籤的部分。另外，為了方便視覺化，我們今天僅採用鳶尾花花瓣的長度及寬度兩個特徵。
iris=datasets.load_iris()
X=iris.data
X=X[:,2:4]
(二) K-Means
1. 模型建立與分群
KM=KMeans(n_clusters=3,init='random',random_state=5)
KM.fit(X)
KM.predict(X)
其中，
n_clusters: k值
init: ‘random’ / ‘k-means++’ / 自行給定
max_iter: 最多迭代次數
tol: 中心點誤差忍受 (最好不要設0)
random_state: 隨機種子
2. 圖像化顯示結果
plt.scatter(X[:,0],X[:,1],c=KM.predict(X))
(三) K-Medoids
1. 模型建立與分群
KMed=KMedoids(n_clusters=3,init='random',random_state=5)
KMed.fit(X)
KMed.predict(X)2.圖像化顯示結果
plt.scatter(X[:,0],X[:,1],c=KMed.predict(X))
今天，我們學會了在Python裡如何實作K-Means與K-Medoids。你有什麼需要分群的資料嗎? 不要猶豫，快來試試看K-Means與K-Medoids!
程式檔案，歡迎於此下載。