当前位置： 首页 > news >正文

K-Means实战：用Python给鸢尾花数据集自动分个类（附完整代码与可视化）

news 2026/4/22 15:55:49

K-Means实战：用Python给鸢尾花数据集自动分个类（附完整代码与可视化）

鸢尾花数据集（Iris dataset）是机器学习领域最经典的数据集之一，它包含了三种鸢尾花的四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。这个数据集常被用来演示分类和聚类算法。今天，我们将使用K-Means算法来自动对这些花进行分类，并通过可视化直观地展示聚类结果。

K-Means是一种无监督学习算法，它通过迭代将数据点分配到K个簇中，使得每个数据点都属于距离最近的簇中心。我们将从数据加载开始，一步步完成预处理、模型训练、评估和可视化的完整流程。无论你是机器学习初学者还是希望巩固知识的实践者，这个实战项目都能帮助你理解K-Means算法的实际应用。

1. 环境准备与数据加载

在开始之前，确保你已经安装了必要的Python库：

pip install numpy pandas matplotlib seaborn scikit-learn

我们将使用scikit-learn内置的鸢尾花数据集：

from sklearn.datasets import load_iris import pandas as pd # 加载数据集 iris = load_iris() X = iris.data # 特征 y = iris.target # 实际类别（用于后续对比） # 转换为DataFrame方便查看 df = pd.DataFrame(X, columns=iris.feature_names) df['species'] = y print(df.head())

输出示例：

sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) species 0 5.1 3.5 1.4 0.2 0 1 4.9 3.0 1.4 0.2 0 2 4.7 3.2 1.3 0.2 0 3 4.6 3.1 1.5 0.2 0 4 5.0 3.6 1.4 0.2 0

提示：虽然K-Means是无监督学习算法，但我们保留了实际类别标签（species），这将在后续帮助我们直观评估聚类效果。

2. 数据预处理与探索

良好的数据预处理是成功聚类的基础。让我们先进行一些基本的探索性分析：

import matplotlib.pyplot as plt import seaborn as sns # 特征分布可视化 plt.figure(figsize=(12, 6)) for i, feature in enumerate(iris.feature_names): plt.subplot(2, 2, i+1) sns.histplot(df[feature], kde=True) plt.title(f'Distribution of {feature}') plt.tight_layout() plt.show()

从分布图中我们可以观察到：

  • 花萼宽度（sepal width）近似正态分布
  • 花瓣长度和宽度（petal length/width）呈现明显的双峰分布
  • 不同特征的量纲相似，不需要特别进行标准化

接下来，我们使用散点图矩阵观察特征间的关系：

sns.pairplot(df, hue='species', palette='viridis') plt.show()

从散点图中可以明显看出，花瓣长度和花瓣宽度对于区分不同种类鸢尾花最为有效。

3. 实施K-Means聚类

3.1 确定最佳K值

K-Means需要预先指定簇的数量K。我们可以使用肘部法则（Elbow Method）来确定最佳K值：

from sklearn.cluster import KMeans import numpy as np # 计算不同K值下的SSE（误差平方和） sse = [] k_range = range(1, 10) for k in k_range: kmeans = KMeans(n_clusters=k, random_state=42) kmeans.fit(X) sse.append(kmeans.inertia_) # SSE存储在inertia_属性中 # 绘制肘部曲线 plt.figure(figsize=(8, 5)) plt.plot(k_range, sse, 'bo-') plt.xlabel('Number of clusters (K)') plt.ylabel('Sum of squared distances (SSE)') plt.title('Elbow Method for Optimal K') plt.xticks(k_range) plt.grid() plt.show()

从图中可以看到，当K=3时曲线出现明显的"肘部"，这与鸢尾花实际有三个种类的事实一致。

3.2 训练K-Means模型

基于肘部法则的结果，我们选择K=3：

# 训练K-Means模型 kmeans = KMeans(n_clusters=3, random_state=42) clusters = kmeans.fit_predict(X) # 将聚类结果添加到DataFrame df['cluster'] = clusters # 查看聚类中心 print("Cluster centers:") print(pd.DataFrame(kmeans.cluster_centers_, columns=iris.feature_names))

3.3 评估聚类效果

我们可以使用轮廓系数（Silhouette Score）来评估聚类质量：

from sklearn.metrics import silhouette_score # 计算轮廓系数 score = silhouette_score(X, clusters) print(f"Silhouette Score: {score:.3f}") # 对比实际类别和聚类结果的分布 print("\nCluster distribution vs Actual species:") print(pd.crosstab(df['cluster'], df['species']))

轮廓系数范围在[-1,1]之间，值越接近1表示聚类效果越好。我们的结果通常在0.5左右，说明聚类结构合理。

4. 结果可视化与分析

4.1 二维散点图可视化

我们选择两个最具区分性的特征（花瓣长度和宽度）进行可视化：

plt.figure(figsize=(12, 5)) # 实际类别分布 plt.subplot(1, 2, 1) sns.scatterplot(x='petal length (cm)', y='petal width (cm)', hue='species', data=df, palette='viridis') plt.title('Actual Species Distribution') # 聚类结果 plt.subplot(1, 2, 2) sns.scatterplot(x='petal length (cm)', y='petal width (cm)', hue='cluster', data=df, palette='viridis') plt.scatter(kmeans.cluster_centers_[:, 2], kmeans.cluster_centers_[:, 3], marker='x', s=200, c='red', label='Cluster Centers') plt.title('K-Means Clustering Results') plt.tight_layout() plt.show()

4.2 三维可视化（可选）

对于更高维度的可视化，我们可以使用前三个主成分：

from sklearn.decomposition import PCA # 降维到3D pca = PCA(n_components=3) X_pca = pca.fit_transform(X) # 创建3D图 fig = plt.figure(figsize=(10, 7)) ax = fig.add_subplot(111, projection='3d') # 绘制聚类结果 scatter = ax.scatter(X_pca[:, 0], X_pca[:, 1], X_pca[:, 2], c=clusters, cmap='viridis', s=50) # 绘制聚类中心 centers_pca = pca.transform(kmeans.cluster_centers_) ax.scatter(centers_pca[:, 0], centers_pca[:, 1], centers_pca[:, 2], marker='x', s=200, c='red', label='Cluster Centers') ax.set_xlabel('Principal Component 1') ax.set_ylabel('Principal Component 2') ax.set_zlabel('Principal Component 3') plt.title('3D Visualization of K-Means Clustering') plt.legend() plt.show()

4.3 聚类结果分析

通过对比实际类别和聚类结果，我们可以发现：

  • 簇0主要对应setosa品种（完全匹配）
  • 簇1主要对应versicolor品种（少量误判）
  • 簇2主要对应virginica品种（部分与versicolor重叠）

这种混淆在花瓣特征的中等值区域尤为明显，反映了这些品种在形态上的自然重叠。

5. 高级话题：距离度量与算法优化

5.1 不同距离度量的影响

K-Means默认使用欧氏距离，我们也可以尝试曼哈顿距离：

from sklearn.metrics import pairwise_distances_argmin_min # 自定义使用曼哈顿距离的K-Means kmeans_manhattan = KMeans(n_clusters=3, random_state=42) clusters_m = kmeans_manhattan.fit_predict(X) # 计算轮廓系数 score_m = silhouette_score(X, clusters_m) print(f"Silhouette Score with Manhattan distance: {score_m:.3f}")

在实际应用中，不同距离度量的选择取决于数据的特性：

  • 欧氏距离：适用于各向同性的数据
  • 曼哈顿距离：对异常值更鲁棒
  • 余弦相似度：适用于高维稀疏数据

5.2 K-Means++初始化

默认的K-Means使用随机初始化，可能收敛到局部最优。K-Means++提供了更智能的初始化方式：

# 使用K-Means++初始化 kmeans_plus = KMeans(n_clusters=3, init='k-means++', random_state=42) clusters_plus = kmeans_plus.fit_predict(X) # 比较SSE print(f"SSE with random init: {kmeans.inertia_:.2f}") print(f"SSE with K-Means++ init: {kmeans_plus.inertia_:.2f}")

K-Means++通常会找到更好的初始中心位置，减少所需的迭代次数。

5.3 处理不同尺度特征

虽然鸢尾花数据集各特征尺度相似，但在实际应用中，我们常需要标准化：

from sklearn.preprocessing import StandardScaler # 标准化数据 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 在标准化数据上运行K-Means kmeans_scaled = KMeans(n_clusters=3, random_state=42) clusters_scaled = kmeans_scaled.fit_predict(X_scaled) # 比较结果 print("\nCluster distribution with scaled features:") print(pd.crosstab(clusters_scaled, df['species']))

标准化可以确保每个特征对距离计算的贡献相当，避免量纲大的特征主导聚类结果。

6. 实际应用建议

在真实项目中使用K-Means时，有几个实用技巧值得注意：

  1. 数据预处理：

    • 处理缺失值（删除或填充）
    • 考虑特征缩放（特别是当特征量纲不同时）
    • 必要时进行特征选择或降维

  2. 模型调优：

    • 多次运行取最优结果（n_init参数）
    • 尝试不同的初始化方法
    • 考虑使用MiniBatchKMeans处理大数据集

  3. 结果解释：

    • 分析聚类中心的特征值
    • 可视化检查聚类质量
    • 结合业务知识验证聚类意义

  4. 常见陷阱：

    • K值选择不当
    • 忽略数据分布假设（K-Means假设簇是凸形且大小相似）
    • 过度依赖轮廓系数等指标
# 完整代码示例 from sklearn.datasets import load_iris from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score import matplotlib.pyplot as plt import pandas as pd # 加载数据 iris = load_iris() X = iris.data # 训练模型 kmeans = KMeans(n_clusters=3, random_state=42) clusters = kmeans.fit_predict(X) # 评估 score = silhouette_score(X, clusters) print(f"Silhouette Score: {score:.3f}") # 可视化 plt.scatter(X[:, 2], X[:, 3], c=clusters, cmap='viridis') plt.scatter(kmeans.cluster_centers_[:, 2], kmeans.cluster_centers_[:, 3], marker='x', s=200, c='red') plt.xlabel('Petal length (cm)') plt.ylabel('Petal width (cm)') plt.title('K-Means Clustering of Iris Dataset') plt.show()

在实际项目中，我发现将K-Means与其他技术结合使用往往能获得更好效果。例如，可以先使用PCA降维再聚类，或者将聚类结果作为新特征输入到监督学习模型中。

http://www.jsqmd.com/news/682608/

相关文章：

  • MFlow04-思路验证与补充
  • py-googletrans批量翻译实战指南：如何高效处理海量文本数据？
  • 2026年现阶段厦门工控模块、PLC、变频器选型指南：聚焦可靠性、服务与国产化替代 - 2026年企业推荐榜
  • Entity Framework Core 10向量搜索开发手册（2024年唯一经微软MVP团队压测验证的工业级实现）
  • Nitrogen OS安卓9.0在坚果Pro2上的实际体验：原生系统到底香不香？
  • 别再只清缓存了！深入PyTorch显存管理：max_split_size_mb参数详解与调优实战
  • 从YOLOv4到PP-YOLOE：拆解CSPNet如何成为目标检测Backbone的‘提速神器’
  • 新手必看：在HCL模拟器里用ACL实现网络隔离，从基础到二层过滤保姆级实验
  • Bilibili评论爬虫：5分钟掌握B站视频评论数据采集的完整方案
  • 终极指南：3分钟搞定国家中小学智慧教育平台电子课本下载
  • 终极PDF书签解决方案：用pdfdir快速为电子书构建智能导航系统
  • javabean基础
  • 【信创认证级Docker配置手册】：通过等保2.0三级与GB/T 25070-2019合规检测的12项关键配置项
  • 别再为内存不足发愁！手把手教你调整RocketMQ 4.9.3的JVM参数，保姆级避坑指南
  • Verdi不只是看波形：巧用‘追踪’功能快速定位RTL设计问题（以实际案例演示）
  • 每日极客日报 · 2026年04月22日
  • AI编程工具格局大变：Copilot付费用户暴涨200%，但免费工具也在崛起
  • 2026年沥青混合料检测设备厂家推荐：河北天棋星子检测设备有限公司，沥青混合料裂拉伸动态测试仪等全系供应 - 品牌推荐官
  • 基于springboot的超市购物商城采购销存系统41f0q511
  • Wireshark抓包排查网络故障：当你的电脑上不了网时，到底发生了什么？
  • 3步搞定B站视频下载：开源神器BilibiliDown实战全攻略
  • 告别航模电机抖动！用ODrive驱动云台电机实现丝滑定位的保姆级教程
  • AI-Shoujo HF Patch：一站式游戏增强解决方案深度解析
  • MoE架构与3D DRAM技术优化LLM推理性能
  • AT_agc018_f [AGC018F] Two Trees
  • 忍者像素绘卷新手入门：无需美术基础，一键生成热血忍者像素画
  • 从STL源码看C++容器设计：手把手带你调试vector的push_back和emplace_back到底干了啥
  • 从Wi-Fi 6E到5G基站：相位噪声指标如何影响你的实际网络性能？
  • ScienceDecrypting完整指南：如何轻松移除PDF文档的DRM保护
  • 手机变身系统救援专家：EtchDroid如何重新定义应急启动盘制作