K مخفف 4 2 –


ک-یعنی. . . . . .

. . . . .

. خوشه بندی (ML).

ک-یعنی.

. . . .

. . . . . .

. .

. . .

4

: . .

1-

. . n . .

2-

. . . .

3-

. . .

4-

. . .

ک-یعنی

ک-یعنی. . “K” K مخفف . ک-یعنی. . K-یعنی:

dkn. ک-یعنی. . . .

ک-یعنی

ک-یعنی. . (x1,y1) (x2,y2) … . 2.

. .

. . x3,y3 x1,y1 x3,y3:

فاصله =

. :

. . x1 y1 x2 y2 x3y3. :

(xc,yc)=()

.

. .

. . :

: سیلوئت آرنج.

آرنج

WCSS (). . WCSS. K-به معنی 1 n WCSS است. WCSS. WCSS.

: crm (20 + pdf)

سیلوئت

. شبح امتیاز (الف) (ب) . ab:

S(i)=

. .

ک – معنی ( ک – معنی ) ک – معنی . . . : .

1- matplotlib scikit-learn. وارد كردن:

matplotlib.pyplot را به صورت plt وارد کنید

numpy را به عنوان np وارد کنید

از sklearn.cluster import KMeans

از sklearn.metrics واردات silhouette_score

از sklearn.preprocessing import StandardScaler

2-. (INR). . 16:

raw\_features = np.array(((22 200), (24 200), (24 200), (20 800), (24 800), (24 800), (25 200), (54 200),( 24 200)، (54 200)، (50 800)، (53 800)، (24 800)، (55 800)، (53 800)، (50 800)))

3-.

مقیاس کننده = StandardScaler()

ویژگی ها = scaler.fit_transform(raw_features)

4- برای K-means 2 6 . .

sse = ()

s\_scores=()

برای i در محدوده (2،6):

kmeans = KMeans(init = **”تصادفی”**,n\_cluster = i,n\_init = 10, max\_iter = 300, تصادفی\_state = 42)

kmeans.fit (توابع)

sse.append(kmeans.inertia\_)

s\_scores.append(silhouette\_score(ویژگی ها، kmeans.labels\_))

5- matplotlib.

plt.style.use( **”پنج و سی و هشت”**)

plt.plot(range(1، 6)، sse)

plt.xticks (محدوده (1، 6))

plt.xlabel( **”تعداد خوشه ها”**)

plt.ylabel( **”SSE”**)

plt.show()

6-.

“” 4. 4. – – – – . . ک-یعنی. scikit-learn matplotlib.

: 8

: بیش از 20 فایل پی دی اف

. . . تعبیه کردن

. .