In [5]:

    

%pylab inline
from sklearn.cluster import KMeans
import sklearn


    

    




Populating the interactive namespace from numpy and matplotlib

In [74]:

    

data=genfromtxt('wine.dat',delimiter=',')
X=data[:,1:]
Y=data[:,0]
n=30
score=zeros(n)

for i,j in zip(logspace(0,2,n),range(n)):
    Kclusters=KMeans(n_clusters=int(i+1))
    Kclusters.fit(X)
    groups=Kclusters.predict(X)
    conversion=sklearn.linear_model.LogisticRegression()
    conversion.fit(transpose([groups]),Y)
    predicted=conversion.predict(transpose([groups]))
    score[j]=conversion.score(transpose([predicted]),Y)


    

In [71]:

    

plot(score)


    

    
Out[71]:





[<matplotlib.lines.Line2D at 0x7f4edbfb5890>]






    

In [26]:

    

print groups
print predicted
print Y


    

    




[1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 1 2 2 1 1 2 1 1 1 1 1 1 2 2
 1 1 2 2 1 1 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 2 0 2 0 0 2 0 0 2 2 2 0 0 1
 2 0 0 0 2 0 0 2 2 0 0 0 0 0 2 2 0 0 0 0 0 2 2 0 2 0 2 0 0 0 2 0 0 0 0 2 0
 0 2 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 2 0 0 2 2 2 2 0 0 0 2 2 0 0 2 2 0 2
 2 0 0 0 0 2 2 2 0 2 2 2 0 2 0 2 2 0 2 2 2 2 0 0 2 2 2 2 2 0]
[ 2.  2.  2.  2.  1.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.
  2.  1.  1.  1.  2.  2.  1.  1.  2.  2.  1.  2.  2.  2.  2.  2.  2.  1.
  1.  2.  2.  1.  1.  2.  2.  1.  1.  2.  2.  2.  2.  2.  2.  2.  2.  2.
  2.  2.  2.  2.  2.  2.  1.  2.  1.  2.  2.  1.  2.  2.  1.  1.  1.  2.
  2.  2.  1.  2.  2.  2.  1.  2.  2.  1.  1.  2.  2.  2.  2.  2.  1.  1.
  2.  2.  2.  2.  2.  1.  1.  2.  1.  2.  1.  2.  2.  2.  1.  2.  2.  2.
  2.  1.  2.  2.  1.  2.  2.  2.  2.  2.  2.  2.  1.  2.  2.  2.  2.  2.
  2.  2.  2.  2.  1.  2.  2.  1.  1.  1.  1.  2.  2.  2.  1.  1.  2.  2.
  1.  1.  2.  1.  1.  2.  2.  2.  2.  1.  1.  1.  2.  1.  1.  1.  2.  1.
  2.  1.  1.  2.  1.  1.  1.  1.  2.  2.  1.  1.  1.  1.  1.  2.]
[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
  1.  1.  1.  1.  1.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.
  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.
  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.
  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.
  2.  2.  2.  2.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.
  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.
  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.]

In [10]:

    

shape(groups)


    

    
Out[10]:





(178,)

In [32]:

    

from sklearn import linear_model, datasets
iris = datasets.load_iris()
X = iris.data[:, :2]  # we only take the first two features.
Y = iris.target


    

In [34]:

    




    

    




[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 1 2 1 2 1 2 1 1 1 1 1 1 2 1 1 1 1 2 1 1 1
 2 2 2 2 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 2 1 1 2 1 2 2 2 2 1 2 2 2 2
 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 1 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 1 2 2 2 1 2
 2 1]

In [ ]: