Mini Batch K-Means是K-Means算法的一种优化方案,主要优化了数据量大情况下的计算速度。与标准的K-Means算法相比,Mini Batch K-Means加快了计算速度,但是降低了计算精度,但是在数据量大的情况下这个精度的下降基本可以忽略。通常在数据量较大的情况下采用Mini Batch K-Means算法有更好的效果。
Mini Batch K-Means每次迭代不采用所有样本,而是每次等量的采样,然后进行中心节点的更新。
要使用kmeans算法的话,首先需要进行import:from sklearn.cluster import MiniBatchKMeans
scikit-learn中,通过MiniBatchKMeans进行对象的新建,并传入算法参数进行参数设置,其中与K-Means相同的参数包括n_clusters、max_iter、tol 、init、random_state 、verbose,具体含义参考如下:
http://blog.csdn.net/qq_34104548/article/details/79336584
其他修改或者增加的参数如下