# 附 第八章作业

## 作业1

### 题目

下图给出6个数据集A-F分别用两种算法得到的聚类结果，其 中一种是K均值聚类。请问哪些最可能是K均值聚类的结果？如 果K均值聚类结果不够理想，建议采用哪种聚类算法?

![](/files/strXjx2Dw9OJvkQL0BnQ)

### 解答

由于K-means聚类会表现为以簇中心的**中垂线分类**，因此很显然，上图中A2、B2、C2、D1、E1和F2属于使用K-means所得到的结果。

![](/files/yCJRPWRTCNidmqXlKeOZ)

当K-means效果不佳时可以使用**高斯混合模型**等算法进行处理

## 作业2

### 题目

对如图所示的数据集，采用K均值聚类。设K=3，3个聚类中心分别为$\mu\_1=(6.2,3.2)^T$（红色），$\mu\_2=(6.6,3.7)^T$（绿色），$\mu\_3=(6.5,3.0)^T$（蓝色）

请给出一次迭代后属于第一簇的样本及更新后的簇中心（保留两位小数）

![](/files/BGRjIM12S3IiSFswKtjy)

### 解

计算每一个点到三个聚类中心的距离，并将该样本归类到距离最短的聚类中。使用代码计算如下：

```python
import numpy as np

X = np.array([
    [5.9, 3.2],
    [4.6, 2.9],
    [6.2, 2.8],
    [4.7, 3.2],
    [5.5, 4.2],
    [5.0, 3.0],
    [4.9, 3.1],
    [6.7, 3.1],
    [5.1, 3.8],
    [6.0, 3.0]
])

mu = np.array([
    [6.2, 3.2],
    [6.6, 3.7],
    [6.5, 3.0],
])

distances = np.linalg.norm(X[:, np.newaxis] - mu, axis=-1)

labels = np.argmin(distances, axis=-1)

new_mu = np.array([np.mean(X[labels == i], axis=0) for i in range(mu.shape[0])])

cluster1_samples = X[labels == 0]
new_mu_1 = new_mu[0]

print('属于第一簇的样本：')
print(cluster1_samples)
print(f'更新后的第一簇中心：{np.round(new_mu_1, 2)}')
```

得到结果：

属于第一簇的样本： \[\[5.9 3.2] \[4.6 2.9] \[4.7 3.2] \[5.0 3.0] \[4.9 3.1] \[5.1 3.8] \[6.0 3.0]]

更新后的第一簇中心：\[5.17 3.17]


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://aye10032.gitbook.io/prml-note/di-ba-zhang-ju-lei/fu-di-ba-zhang-zuo-ye.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.