如前所述，它是在无监督学习中使用的另一种强大的聚类算法，与K均值聚类不同，它不做任何假设，因此，它是一种非参数算法。

均值平移算法基本上是通过将数据点移向最高密度的数据点(即群集质心)来迭代地将数据点分配给群集。

K-Means算法与Mean-Shift之间的区别在于，后一种算法无需预先指定簇数，因为簇数将由算法的w.t.t数据确定。

Mean-Shift算法

通过以下步骤，无涯教程可以了解Mean-Shift聚类算法的工作原理:

• 步骤1    - 首先，从分配给它们自己的群集的数据点开始。

• 步骤2   - 接下来，此算法将计算质心。

• 步骤3   - 在此步骤中，将更新新质心的位置。

• 步骤4   - 现在，该过程将被迭代并移至更高密度的区域。

• 步骤5   - 最后，一旦形心到达无法进一步移动的位置，它将停止。

代码实现

这是一个了解Mean-Shift算法工作原理的简单示例。在示例中，将首先生成包含4个不同Blob的2D数据集，然后将应用Mean-Shift算法查看输出。

%matplotlib inline
import numpy as np
from sklearn.cluster import MeanShift
import matplotlib.pyplot as plt
from matplotlib import style
style.use("ggplot")
from sklearn.datasets.samples_generator import make_blobs
centers = [[3,3,3],[4,5,5],[3,10,10]]
X, _ = make_blobs(n_samples = 700, centers = centers, cluster_std = 0.5)
plt.scatter(X[:,0],X[:,1])
plt.show()

ms = MeanShift()
ms.fit(X)
labels = ms.labels_
cluster_centers = ms.cluster_centers_
print(cluster_centers)
n_clusters_ = len(np.unique(labels))
print("Estimated clusters:", n_clusters_)
colors = 10*[r.,g.,b.,c.,k.,y.,m.]

for i in range(len(X)):
   plt.plot(X[i][0], X[i][1], colors[labels[i]], markersize = 3)
plt.scatter(cluster_centers[:,0],cluster_centers[:,1],
   marker = ".",color = k, s = 20, linewidths = 5, zorder = 10)
plt.show()

[[ 2.98462798 9.9733794 10.02629344]
[ 3.94758484 4.99122771 4.99349433]
[ 3.00788996 3.03851268 2.99183033]]
Estimated clusters: 3

聚类算法 - Mean-Shift - 无涯教程网无涯教程网提供如前所述，它是在无监督学习中使用的另一种强大的聚类算法，与K均值聚类不同，它不做...https://www.learnfk.com/python-machine-learning/machine-learning-with-python-clustering-algorithms-mean-shift.html