有关机器学习的数据处理，模型训练，模型保存，模型调用和结果预测 整体流程

from sklearn.cluster import KMeans

# 创建K-均值模型
kmeans = KMeans(n_clusters=2, random_state=0)

# 训练模型
kmeans.fit(X)

from sklearn.metrics import silhouette_score

# 计算轮廓系数
silhouette_avg = silhouette_score(X, kmeans.labels_)
print(f"Silhouette Score: {silhouette_avg}")

import joblib

# 保存模型
joblib.dump(kmeans, 'kmeans_model.pkl')

# 加载模型
loaded_model = joblib.load('kmeans_model.pkl')

# 使用模型进行预测
new_data = np.array([[45], [55]])  # 例子数据
predictions = loaded_model.predict(new_data)
print(predictions)

# 生成预测
labels = loaded_model.predict(X)

python3 -m venv env
source env/bin/activate

pip install numpy matplotlib scikit-learn joblib

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import joblib

# 1. 生成测试数据
def generate_data(n_samples=100):
    # 生成水管内压力数据，分为正常和堵塞两类
    np.random.seed(0)
    pressure_normal = np.random.normal(loc=50, scale=10, size=(n_samples // 2, 1))  # 正常压力
    pressure_blocked = np.random.normal(loc=30, scale=10, size=(n_samples // 2, 1))  # 堵塞压力
    
    # 合并数据
    pressures = np.vstack((pressure_normal, pressure_blocked))
    return pressures

# 生成100个样本的数据
X = generate_data(n_samples=100)

# 2. 训练模型
kmeans = KMeans(n_clusters=2, random_state=0)  # 两个簇（正常和堵塞）
kmeans.fit(X)

# 3. 判断哪个聚类中心是“正常”或“堵塞”
centroids = kmeans.cluster_centers_
normal_cluster = 0 if centroids[0] > centroids[1] else 1
blocked_cluster = 1 if normal_cluster == 0 else 0

# 可视化数据和聚类结果
plt.scatter(X, np.zeros_like(X), c=kmeans.labels_, cmap='viridis', marker='o')
plt.scatter(kmeans.cluster_centers_, np.zeros_like(kmeans.cluster_centers_), c='red', marker='x', s=100, label='Centroids')
plt.xlabel('Pressure')
plt.title('K-Means Clustering of Pipe Pressure Data')
plt.legend()
plt.show()

# 4. 保存模型
joblib.dump(kmeans, 'kmeans_model.pkl')  # 将训练好的模型保存为pkl文件
print("模型已保存到 'kmeans_model.pkl'")

# 5. 加载模型并预测结果
# 加载模型
loaded_model = joblib.load('kmeans_model.pkl')

# 生成新数据用于测试预测
new_data = np.array([[45], [55], [25], [35]])  # 模拟新的压力数据
predictions = loaded_model.predict(new_data)

# 根据聚类中心的判断逻辑，确保类标记与实际含义匹配
for i, pressure in enumerate(new_data):
    status = "正常" if predictions[i] == normal_cluster else "堵塞"
    print(f"压力: {pressure[0]} 预测结果: {status}")

模型已保存到 'kmeans_model.pkl'
压力: 45 预测结果: 正常
压力: 55 预测结果: 正常
压力: 25 预测结果: 堵塞
压力: 35 预测结果: 堵塞