Kmeans聚类编写数字识别

Kmeans算法原理：在给定K个初始聚类中心点的情况下，（1）把数据中的每个样本分到离其最近的聚类中心所代表的类中。（2）分类完后计算从新每个类的中心点（取平均值），然后进行迭代从新第（1）步和第（2）步。直到类中心点的变化很小，或者达到指定迭代次数。

Python中在sklearn库有KMeans函数可调用。我实现的是直接调用，数据集在模板匹配算法中给出。

1.  
   import numpy as np
2.  
   import scipy.io as sio
3.  
   from sklearn import metrics
4.  
   from sklearn.cluster import KMeans
5.  
    
6.  
    
7.  
   #读取训练和测试数据和标签，二维数组转换成一纬
8.  
   train_data = sio.loadmat('./课程数据集/mat格式的MNIST数据/train_images.mat')
9.  
   key_train = list(train_data.keys())[-1]
10.  
    train = train_data[key_train]
11.  
    train = np.reshape(train,(784,60000)).transpose()
12.  
     
13.  
     
14.  
    train_data2 = sio.loadmat('./课程数据集/mat格式的MNIST数据/train_labels.mat')
15.  
    key_label = list(train_data2.keys())[-1]
16.  
    train_label = train_data2[key_label].transpose()
17.  
     
18.  
     
19.  
    test_data = sio.loadmat('./课程数据集/mat格式的MNIST数据/test_images.mat')
20.  
    key_test = list(test_data.keys())[-1]
21.  
    test = test_data[key_test]
22.  
    test = np.reshape(test,(784,10000)).transpose()
23.  
     
24.  
     
25.  
    test_data2 = sio.loadmat('./课程数据集/mat格式的MNIST数据/test_labels.mat')
26.  
    test_key = list(test_data2.keys())[-1]
27.  
    test_label = test_data2[test_key].transpose().flatten()
28.  
     
29.  
     
30.  
    #调用Kmeans函数聚类
31.  
    kmeans = KMeans(n_clusters=10)
32.  
    kmeans.fit(train)
33.  
     
34.  
     
35.  
    #统计预测结果
36.  
    pred = kmeans.predict(test)
37.  
    print("随机兰德调整指数：" str(metrics.adjusted_rand_score(test_label,pred)))
38.  
     
39.  
    correct =0
40.  
    for i in range(10000):
41.  
    if pred[i] == test_label[i]:
42.  
    correct =1
43.  
    print("测试集的准确率为：" str(correct/10000))

这篇好文章是转载于：学新通技术网