k-means聚类算法--参数使用

k-means算法具体原理，参考k-means聚类算法原理

调用KMmeans算法

首先需要调用sklearn库，如果没有安装，就在命令提示符中输入如下代码即可

pip install scikit-learn

注意：安装时要输入完整名称(scikit-learn)

调用sklearn库中的k-means算法

from sklearn.cluster import KMeans

注意：我们要在sklearn的聚类(cluster)中调用KMeans

参数

n_clusters: 这是生成的聚类数，它是一个整数，默认值为8。通过调整这个参数，可以控制算法生成聚类的数量。

init：这是初始化方法，它有三个可选值：'k-means++'、'random'、或者传递一个ndarray向量。

（1）'k-means++'是一种改进的初始化方法，它选择第一个聚类中心为随机数据点，后续的聚类中心则根据已经选择的聚类中心来选择，可以加快收敛速度。

（2）'random'则是随机选择数据点作为聚类中心。

n_init：这是用不同的聚类中心运行算法的次数，默认值为10。增加这个值可以增加算法找到最优解的可能性，但是也会增加计算的时间。

inertia_：每个点到其簇的质心的距离之和。

n_iter_ : 迭代次数。

max_iter：这是执行一次k-means算法所进行的最大迭代数。默认值为300。如果在达到这个最大迭代次数后，算法仍然没有收敛（即数据点的更新量仍然大于设定的阈值），算法就会停止。

tol：这是算法收敛的容忍度，当算法的更新小于tol时，算法就会停止。默认值为0.0001。

random_state : 随机种子，可以随意定义参数，可以保证每次运行时原始数据不会改变。

Labels_: 每个点的分类标签。

本文对kmeans算法中的参数进行了简单描述，具体代码实例可参考快速了解K-Means聚类算法（包含代码实例）