Klasterlash algoritmlari nima?

K-means algoritmini ishga tushiring
K-o'rtacha algoritmi uchun batafsil tushuntirish yuqoridagi bo'limda berilgan. Ushbu misolda biz siqish qismiga e'tibor qaratamiz.
km = KO'rtacha (n_klaster = 25 )
km.fit(X)
Tasvirni siqish uchun centroidlardan foydalaning.
X_cmpresd = km.cluster_centers_[km.labels_]
X_cmpresd = np.clip(X_cmpresd.astype( 'uint8' ), 0 , 255 )
Asl rasm bilan bir xil o'lchamga ega bo'lish uchun X_cmpresd formatini o'zgartiring 128 * 128 * 3
X_cmpresd = X_cmpresd.reshape(img_size[ 0 ], img_size[ 1 ], img_size[ 2 ])
Endi asl va siqilgan tasvirni bir-birining yonida joylashtiring.
figre, axs = plt.subplots( 1 , 2 , figsize = ( 14 , 10 ))
axs[ 1 ].imshow(img)
axs[ 1 ].set_title( 'Boshlang'ich rasm' )
axs[ 0 ].imshow(X_cmpresd)
axs[ 0 ].set_title( ' Bir siqilgan (25 rang)' )
o'qlardagi akslar uchun :
axs.axis( 'off' )
plot.tight_layout();
Bu erda men 25 ta markazdan foydalandim. Siqilgan tasvir asl nusxaga yaqinroq ko'rinadi (ya'ni haqiqiy tasvirning ko'plab xususiyatlari saqlanib qoladi). Klasterlar soni kamroq bo'lsa, biz tasvir sifati uchun yuqori siqishni tezligiga ega bo'lamiz. Shu kabi ranglar k klasterlarga birlashtirilgan (k = 25 (turli RGB qiymatlari)).

3. Raqamlarning tasnifi
Ushbu amalga oshirishda biz tasvir tasnifini amalga oshirish uchun Mini-Batch K-Means-dan foydalanamiz. Klasterlash tasvirni tahlil qilish uchun ham ishlatilishi mumkin. Scikit-learn va MNIST ma'lumotlar to'plamidan foydalanib, biz kompyuterni ko'rish uchun Mini-Batch K-Means klasteridan foydalanishni o'rganamiz.
Bog'liqlarni o'rnatish:
pip install keras tensorflow
Kutubxonalarni import qilish:
import sys
import sklearn
import matplotlib
import numpy np
sifatida import matplotlib.pyplot plt sifatida
%matplotlib inline
MNIST ma'lumotlar to'plamini yuklang. U Keras orqali mavjud .
figur, axi = plt.subplots( 3 , 3 , figsize=( 14 , 14 ))
plt.gray()

j uchun , enumerate(axi.flat)dagi axs :

axs.matshow(x_train[j])
axs.axis( 'off' )
axs.set_title( 'raqam {}' .format(y_poezd[j]))
figur.show()