sklearn.cluster -> KMeans 文档翻译

关于KMeans的文档

from sklearn.cluster import KMeans
help(KMeans)

K-Means clustering  

KMeans聚类

参数：

n_clusters:   int类型，默认8。产生的聚类数。

 init:   { 'k-means++',  'random'  or  an  ndarray}, 默认k-means++。初始选取聚类中心位置的方法。

          'k-means++' ：kmeans聚类法中一种选择初始聚类中心的方法，可以加速收敛。

          'ransom' : 随机选择k个中心。

          当使用nadarry形式时，其形状应该是（n_clusters, n_features) 给出聚类中心。

n_init:  int类型，默认10。在不同的中心时运行kmeans的次数。

max_iter:  int类型，默认300。kmeans算法单词运行中的最大迭代次数。

tol:  float类型，默认1e-4。相对误差。

precompute_distances:  {'auto', Ture, False}。预计算距离（更快，但占用更多内存）

            ‘auto’：当n_samples * n_clusters >12000000 时不预计算距离。

            True：一直预计算距离

            False：不预计算距离。

verbose：int类型，默认0。冗长模式。

random_state：随机种子。

copy_x：boolean类型，默认True。当预计算距离时，首先将数据居中会更加精确。如果copy_x是True，那么原始数据就不会被修              改。如果为False，则对原始数据进行修改，并将其放回函数返回之前，但是可以通过减去数据平均值，然后添加数据平均               值来引入很小的数值差异。

n_jobs：int类型。

algorithm:  'auto', 'full' or 'elkan', 默认'auto'。

属性：

cluster_centers_：array, [ n_clusters, n_features]。聚类簇的中心的坐标。

labels_：每个点的标签。

inertia_：float。每个样本点到距离最近的簇中心的距离之和。

举例：

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)

print(kmeans.labels_)
print(kmeans.predict([[0,0], [4,4]])
print(kmeans.cluster_centers_)

结果：

kmeans.labels_:  array([0,0,0,1,1,1])

kmeans.predict():  array([0,1], dtype=int32)

kmeans.cluster_centers_: array([[1., 2.], 

                                                     [4., 2.]])