sklearn.cluster.KMeans 参数介绍

  • 1 参数

  • n_clusters:整形,缺省值=8 【生成的聚类数,即产生的质心(centroids)数。】

  • max_iter:整形,缺省值=300 【执行一次k-means算法所进行的最大迭代数。】

  • n_init:整形,缺省值=10 【用不同的质心初始化值运行算法的次数,最终解是在inertia意义下选出的最优结果。】
    init:有三个可选值:’k-means++’, ‘random’,或者传递一个ndarray向量。
    此参数指定初始化方法,默认值为 ‘k-means++’。
    (1)‘k-means++’ 用一种特殊的方法选定初始质心从而能加速迭代过程的收敛(即上文中的k-means++介绍)
    (2)‘random’ 随机从训练数据中选取初始质心。
    (3)如果传递的是一个ndarray,则应该形如 (n_clusters, n_features) 并给出初始质心。

  • precompute_distances:三个可选值,‘auto’,True 或者 False。
    预计算距离,计算速度更快但占用更多内存。
    (1)‘auto’:如果 样本数乘以聚类数大于 12million 的话则不予计算距离。This corresponds to about 100MB overhead per job using double precision.
    (2)True:总是预先计算距离。
    (3)False:永远不预先计算距离。

  • tol:float形,默认值= 1e-4 与inertia结合来确定收敛条件。

  • n_jobs:整形数。 指定计算所用的进程数。内部原理是同时进行n_init指定次数的计算。
    (1)若值为 -1,则用所有的CPU进行运算。若值为1,则不进行并行运算,这样的话方便调试。
    (2)若值小于-1,则用到的CPU数为(n_cpus + 1 + n_jobs)。因此如果 n_jobs值为-2,则用到的CPU数为总CPU数减1。

  • random_state:整形或 numpy.RandomState 类型,可选
    用于初始化质心的生成器(generator)。如果值为一个整数,则确定一个seed。此参数默认值为numpy的随机数生成器。
    -copy_x:布尔型,默认值=True
    当我们precomputing distances时,将数据中心化会得到更准确的结果。如果把此参数值设为True,则原始数据不会被改变。如果是False,则会直接在原始数据上做修改并在函数返回值时将其还原。但是在计算过程中由于有对数据均值的加减运算,所以数据返回后,原始数据和计算前可能会有细小差别。

  • 2 属性

  • cluster_centers_:向量,[n_clusters, n_features] (聚类中心的坐标)

  • Labels_: 每个点的分类

  • inertia_:float形
    每个点到其簇的质心的距离之和。

  • Notes:
      这个k-means运用了 Lioyd’s 算法,平均计算复杂度是 O(knT),其中n是样本量,T是迭代次数。
      计算复杂读在最坏的情况下为 O(n^(k+2/p)),其中n是样本量,p是特征个数。
      在实践中,k-means算法时非常快的,属于可实践的算法中最快的那一类。但是它的解只是由特定初始值所产生的局部解。所以为了让结果更准确真实,在实践中要用不同的初始值重复几次才可以。

  • 3 Methods

  • fit(X[,y]): 计算k-means聚类。

  • fit_predict(X[,y]): 计算簇质心并给每个样本预测类别。

  • fit_transform(X[,y]):计算簇并 transform X to cluster-distance space。

  • get_params([deep]):取得估计器的参数。

  • predict(X): 给每个样本估计最接近的簇。

  • score(X[,y]): 计算聚类误差

  • set_params(**params): 为这个估计器手动设定参数。

  • transform(X[,y]): 将X转换为群集距离空间。  
    在新空间中,每个维度都是到集群中心的距离。请注意,即使X是稀疏的,转换返回的数组通常也是密集的。

转载:https://blog.csdn.net/github_39261590/article/details/76910689

你可能感兴趣的:(python,sklearn,Kmeans)