kmeans的简单理解

from sklearn.cluster import KMeans
import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],
              [4, 2], [4, 4], [4, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
kmeans.labels_

kmeans.predict([[0, 0], [4, 4]])

kmeans.cluster_centers_

X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
X应看作是有六个元素的集合，每个元素的信息是用二维表示的

然后通过kmeans生成一个分类器，生成分类器的标志是fit()函数

然后可以拿数据去预测。

这是一般通用的要走的流程

但是kmeans要预测的就是自己本身，所有可以有另一种写法

y_pred = [KMeans](n_clusters=3, random_state=random_state).fit_predict(X_aniso)

返回的就是要分类的数据自己的结果，结果是一个由0、1、2组成的集合