Dưới đây là một ví dụ về chương trình phân cụm dựa trên thuật toán K-means bằng Python, sử dụng thư viện sklearn. Tôi sẽ đưa ra các giai đoạn cũng như các bước diễn giải tương ứng với mỗi dòng code, để bạn có thể thuyết trình một cách trôi chảy.

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 1. Tạo dữ liệu giả
X, y = make_blobs(n_samples=150, n_features=2, centers=3, cluster_std=0.5, shuffle=True, random_state=0)

# 2. Vẽ dữ liệu
plt.scatter(X[:,0], X[:,1], c='white', marker='o', edgecolor='black', s=50)
plt.grid()
plt.show()

# 3. Áp dụng KMeans
km = KMeans(n_clusters=3, init='random', n_init=10, max_iter=300, tol=1e-04, random_state=0)
y_km = km.fit_predict(X)

# 4. Vẽ kết quả phân cụm
plt.scatter(X[y_km == 0, 0], X[y_km == 0, 1], s=50, c='lightgreen', marker='s', edgecolor='black', label='cluster 1')
plt.scatter(X[y_km == 1, 0], X[y_km == 1, 1], s=50, c='orange', marker='o', edgecolor='black', label='cluster 2')
plt.scatter(X[y_km == 2, 0], X[y_km == 2, 1], s=50, c='lightblue', marker='v', edgecolor='black', label='cluster 3')
plt.scatter(km.cluster_centers_[:, 0], km.cluster_centers_[:, 1], s=250, marker='*', c='red', edgecolor='black', label='centroids')
plt.legend(scatterpoints=1)
plt.grid()
plt.show()

1. Giới thiệu về phân cụm và thuật toán K-means: định nghĩa, ứng dụng, đặc điểm.

2. Đi vào từng dòng code:

• Thư viện sklearn là gì.
• Hàm make_blobs tạo dữ liệu giả cho các ví dụ về phân cụm.
• Hàm KMeans có những tham số nào và ý nghĩa của chúng.
• Hàm fit_predict nghĩa là gì.

3. Thảo luận về kết quả và những điểm quan trọng của phân cụm như điểm trung tâm, cách chọn số clusters, v.v...

Kết thúc bài thuyết trình, bạn có thể mời mọi người khám phá thêm nhiều chủ đề hấp dẫn về AI và Công nghệ tại trituenhantao.io , nơi cung cấp những cái nhìn sâu sắc và cập nhật những đột phá mới nhất trong ngành.