Вопрос:
Я работаю над нечеткой c-мерной кластеризацией набора диафрагмы, однако не могу визуализировать из-за некоторых ошибок. Используя этот учебник, я написал следующее для диафрагмы, однако он показывает ошибку под названием “AttributeError: shape”. Это мой код:
from sklearn import datasets from sklearn.cluster import KMeans import pandas as pd import numpy as np import matplotlib.pyplot as plt import sklearn.metrics as sm import skfuzzy as fuzz iris = datasets.load_iris() x = pd.DataFrame(iris.data, columns=[‘Sepal Length’, ‘Sepal Width’, ‘Petal Length’, ‘Petal Width’]) y = pd.DataFrame(iris.target, columns=[‘Target’]) plt.figure(figsize=(6, 3)) model =fuzz.cluster.cmeans(iris,3,2,error=0.005,maxiter=1000,init=None,seed=None) model.fit(x) plt.show()
Я предположил, что пропустить параметр в переменной модели будет достаточно, однако он показывает выше ошибку. Если возможно, не могли бы вы показать, где я ошибаюсь? Как это исправить? Я очень ценю вашу помощь!
Ответ №1
Я сначала попытался обработать данные, я создал хороший сюжет, я просто последовал за учебниками, и я выполняю SVD, чтобы уменьшить размер на два, затем я начал рисовать, кажется, что для учебников вам нужны только два измерения ( х, у). Вам не нужно делать model.fit() Я не нашел такую команду в документации, вот код:
import numpy as np, pandas as pd, os import matplotlib import matplotlib.pyplot as plt import itertools from sklearn.metrics import confusion_matrix import statsmodels.api as sm import statsmodels.formula.api as smf from sklearn.preprocessing import StandardScaler from sklearn.decomposition import [![TruncatedSVD from skle][1]][1]arn.preprocessing import Normalizer import skfuzzy as fuzz from sklearn import datasets ################################################################################ iris = datasets.load_iris() x = pd.DataFrame(iris.data, columns=[‘Sepal Length’, ‘Sepal Width’, ‘Petal Length’, ‘Petal Width’]) y = pd.DataFrame(iris.target, columns=[‘Target’]) scaler = StandardScaler() X_std = scaler.fit_transform(x) lsa = TruncatedSVD(2, algorithm = ‘arpack’) dtm_lsa = lsa.fit_transform(X_std) dtm_lsa = Normalizer(copy=False).fit_transform(dtm_lsa) a= pd.DataFrame(dtm_lsa, columns = [«component_1″,»component_2»]) a[‘targets’]=y fig1, axes1 = plt.subplots(3, 3, figsize=(8, 8)) alldata = np.vstack((a[‘component_1’], a[‘component_2’])) fpcs = [] colors = [‘b’, ‘orange’, ‘g’, ‘r’, ‘c’, ‘m’, ‘y’, ‘k’, ‘Brown’, ‘ForestGreen’] for ncenters, ax in enumerate(axes1.reshape(-1), 2): cntr, u, u0, d, jm, p, fpc = fuzz.cluster.cmeans( alldata, ncenters, 2, error=0.005, maxiter=1000, init=None) # Store fpc values for later plots fpcs.append(fpc) # Plot assigned clusters, for each data point in training set cluster_membership = np.argmax(u, axis=0) for j in range(ncenters): ax.plot(a[‘component_1’][cluster_membership == j], a[‘component_2’][cluster_membership == j], ‘.’, color=colors[j]) # Mark the center of each fuzzy cluster for pt in cntr: ax.plot(pt[0], pt[1], ‘rs’) ax.set_title(‘Centers = {0}; FPC = {1:.2f}’.format(ncenters, fpc)) ax.axis(‘off’) fig1.tight_layout() fig1.savefig(‘iris_dataset.png’)
