fit 方法

Coddy 机器学习入门课程的第 10 课，共 19 课。

来源：维基百科

挑战

困难

实现 fit 方法和 find_cluster_centroid。find_cluster_centroid 用于计算给定点列表（簇）的质心。如何计算质心的说明在上一课中。实现 fit 时，请按照以下说明操作：

初始化质心：首先，从数据集中选择 k 个点作为初始质心。要通过测试用例，请选择第 3、5、7、9……个点作为初始质心（具体取决于 k 的值）
分配簇：对于数据集中的每个点，找到距离最近的质心（使用欧几里得距离等距离度量），并将该点分配到对应的簇。
更新质心：将所有点分配到簇后，计算每个簇中所有点的平均值，以重新计算质心。
重复步骤 2 和 3：重复上述步骤，直到质心不再发生明显变化。如果新质心与上一个质心之间的距离小于 0.01，则停止

通过测试用例的方法：

将质心保存在 self.centroids 变量中。
找到新质心后，如果新质心与上一个质心之间的总距离小于 0.01，则保留上一个质心。
质心的顺序很重要。始终从头到尾遍历质心。
测试用例会输出 self.centroids，并验证其是否正确。

亲手试试

def euclidian_distance(point_a, point_b):
    return (sum([(point_a[i] - point_b[i])**2 for i in range(len(point_a))]))**0.5


    
class KMeans:
    def __init__(self, k):
        self.k = k

    def find_cluster_centroid(self, cluster_points):
    # 在这里编写你的代码

    def fit(self, X_train):
        # 在这里编写你的代码
        self.centroids = ...
    
    def predict(self, X_test):
        pass

机器学习入门中的所有课

1ML 之旅的开始

ML 简介提供给模型的数据什么是 ML 模型

4K-Means 算法

K-Means 简介fit 方法predict 方法

2机器学习概述

监督学习无监督学习

5朴素贝叶斯

朴素贝叶斯简介 fit 方法 predict 方法

3K-近邻（KNN）

KNN 简介 fit 方法 predict 方法

6其他模型

逻辑回归线性回归决策树支持向量机（SVM）模型测验

自己练习： Python 在线编译器