Learn AI with Python · 课时

K-Means 聚类项目

Q: 「K-Means 聚类项目」这节课中我会学到什么？

将其应用于真实数据集 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

将其应用于真实数据集

K-Means 聚类项目 是 CoddyKit 上的免费 Learn AI with Python 课时。这是第 3 节课，共 5 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 5 节课。

K-Means 聚类项目

在本项目中，我们将把 K-Means 聚类应用于一个真实世界的数据集：客户细分。目标是根据客户的消费模式对客户进行分组。

数据集概览

该数据集包含以下列：

客户 ID：每位客户的唯一标识符。
年龄：客户的年龄。
年收入：以千美元为单位的年收入。
消费评分：根据客户行为和消费模式分配的评分（1–100）。

第 1 步：导入数据集和库

我们将首先导入必要的库并加载数据集：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

# Load dataset
data = pd.read_csv('Mall_Customers.csv')
print(data.head())

步骤 2：数据预处理

我们将选择与聚类相关的特征，并在必要时对数据进行归一化处理。在本项目中，我们将使用年收入和消费评分：

# Select relevant features
X = data[['Annual Income (k$)', 'Spending Score (1-100)']].values
print(X[:5])

第 3 步：确定最佳簇数

我们通过绘制不同 K 值对应的簇内平方和（WCSS），使用肘部法找出最佳簇数：

wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)

plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of Clusters')
plt.ylabel('WCSS')
plt.show()

步骤 4：应用 K-Means 聚类

根据肘部法则，我们选择最佳的簇数量（例如 K=5），并对 K-Means 模型执行 fit 操作：

kmeans = KMeans(n_clusters=5, init='k-means++', random_state=42)
kmeans.fit(X)

# Add cluster labels to the dataset
data['Cluster'] = kmeans.labels_
print(data.head())

第 5 步：可视化聚类结果

我们可以在二维空间中绘制各个簇，以观察它们的分离情况：

plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='red', marker='X')
plt.title('Customer Segmentation')
plt.xlabel('Annual Income (k$)')
plt.ylabel('Spending Score (1-100)')
plt.show()

步骤 6：解读簇

每个簇代表一组消费模式相似的客户。例如：

簇 1：高收入，高消费。
簇 2：低收入，低消费。
簇 3：中等收入，高消费。

真实世界聚类中的挑战

虽然聚类功能强大，但在真实世界的应用中仍会面临以下挑战：

高维度数据集。
含噪声或不完整的数据。
如何有意义地解读聚类结果。

总结与下一步

在这个项目中，我们：

探索了一个真实世界的数据集。
应用了 K 均值聚类，并将结果进行了可视化。
解读了各个聚类，以了解客户行为。

接下来，我们将学习 PCA 和 t-SNE 等降维技术。

常见问题解答

「K-Means 聚类项目」课时是免费的吗？

是的 — 「K-Means 聚类项目」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 5 节课。

「K-Means 聚类项目」这节课中我会学到什么？

将其应用于真实数据集你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Learn AI with Python 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 3 节课，共 5 节。

「K-Means 聚类项目」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Learn AI with Python 课中编写并运行代码吗？

能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 Learn AI with Python