K-Means聚类算法 【sklearn.cluster】

---

class sklearn.cluster.KMeans(n_clusters=8, *, init='kmeans++', n_init=10, max_iter=300, tol=0.0001,

precompute_distances='deprecated', verbose=0, random_state=None, copy_x=True, n_jobs='deprecated', algorithm='auto')

---

参数：

1、 n_clusters: 聚类类别数量，也是初始聚类中心的数量，default=8

2、init: 聚类的初始化中心的方案， dafault='k-means++'

'k-means++': （1）从输入的数据点集合（要求有k个聚类）中随机选择一个点作为第一个聚类中心；（2）、对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)；（3）、选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；（4）、重复2和3直到k个聚类中心被选出来。

'random': 从data中随机选取n_clusters数量的点作为初始中心；

'ndarray': 传入的是形状为（n_clusters, n_features）的二维数组，数组的每一行作为一个中心；

'callable': 接受的是参数X、n_clusters、random_state，并返回一个初始化值。

3、max_iter:  一次算法运行的最大迭代次数， dafualt=300

4、n_init: 聚类算法的运行次数，输出n_init连续的运行中最好的那次的结果，default=10

5、tol:  两次连续迭代之间的相对误差，取一个很小的值（不建议tol=0，因为又浮点数有舍入误差），float，defualt=1e-4

6、precompute_distances: 是否将数据放入内存进行预计算, default='auto'    

'auto': n_sample*n_cluster>=12 million时不进行预计算，它相当于双精度工作100MB的开销

True: 总进行预计算

False: 不进行预计算

7、verbose: 是否输出详细信息，default=0

8、random_state:用于产生初始中心的随机序列，default=None， （用于2、init）

9、copy_x: 是否直接在原矩阵上计算，default=True，copy一份进行计算

10、n_jobs: 同时进行计算的核数（并发数），n_jobs用于并行计算每个n_init，如果设置为None或-1，使用所有CPU，若果设置为1，不并行，如果设置小于-1，使用CPU个数+1+n_jobs个CPU

11、algorithm:用于kmeans第一步距离计算， {“auto”, “full”, “elkan”}, default=”auto”

"full"就是我们传统的K-Means算法；

 “elkan”，它的目标是减少不必要的距离的计算，利用了两边之和大于等于第三边,以及两边之差小于第三边的三角形性质，来减少距离的计算，效率更高，但是目前不支持稀疏数据

1、计算任意两个聚类中心的距离；

2、当计算样本点x点应该属于哪个聚类中心时，规律一：当发现2*S(x，K1)S(x，K1)，此时我们不需要再计算D(x,j2)；

规律二：我们可以得到D(x,j2)≥max{0,D(x,j1)−D(j1,j2)}。

利用上边的两个规律，elkan K-Means比起传统的K-Means迭代速度有很大的提高。但是如果样本的特征是稀疏的，有缺失值的话，这个方法就不适用了，此时某些距离无法计算，则不能使用该算法

默认的"auto"则会根据数据值是否是稀疏的，来决定如何选择"full"和“elkan”。一般数据是稠密的，那么就是 “elkan”，否则就是"full"。一般来说建议直接用默认的"auto"

属性：

clusters_center_：簇中心

labels_: 每个样本点的label

inertia_: 样本点到簇中心的平方距离之和

n_iter_：运行的迭代次数

方法：

fit(self, X[, y, sample_weight]): 计算k-means聚类，sample_weight=None,默认所有样本点权值相等，返回self拟合值

fit_predict(self, X[, y, sample_weight]): 计算k-means聚类并预测样本所属的cluster，返回labels_ :(n_samples,)，样本的label值

fit_transform(self, X[, y, sample_weight]): 计算k-means聚类，并将X转换为cluster-distance space，返回X_new :(n_samples, n_clusters)

get_params(self, deep=True): 返回训练参数

predict(self, X, sample_weight=None): 预测X中样本到最近簇中心的label，返回labels:(n_samples,)

score(self, X, y=None, sample_weight=None): 评估

set_params(self, **params): 设置参数

transform(self, X): 将样本X转换为cluster-distance space，返回X_new :(n_samples, n_clusters)

 

 

:)ps 红色部分是不太理解