![](https://cdn-ak-scissors.b.st-hatena.com/image/square/967ba7f099d4b55d1fec9b751ae096adf2ea3f01/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwa2VudGExOTg0JnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz02ZmNkYmRjODMwNTFkM2JhZDI1OWNiYjlkMmEyMThmYQ%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3D6c420cc06dbafa55305ae4cc538dff21)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
【Python】K-meansによるクラスタリング結果をPCAで次元削減して散布図にプロットする - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
【Python】K-meansによるクラスタリング結果をPCAで次元削減して散布図にプロットする - Qiita
これをK-meansによりクラスタリングした上で、PCAで次元削減して散布図にプロットする。 K-meansのドキ... これをK-meansによりクラスタリングした上で、PCAで次元削減して散布図にプロットする。 K-meansのドキュメントはここ、PCAのドキュメントはここ、pyplotのドキュメントはここ。 # -*- coding: UTF-8 -*- import numpy as np from sklearn.cluster import KMeans from sklearn.decomposition import PCA import matplotlib.pyplot as plt # sample.csvを読み込む users = np.loadtxt('./sample.csv', delimiter=",") # K-meansによるクラスタリング model = KMeans(n_clusters=2).fit(users) # PCAで次元削減 pca = PCA(n_comp