【scikit-learn】sklearn.cluster.MiniBatchKMeans 类：小批量 K 均值聚类

sklearn.cluster.MiniBatchKMeans（小批量 K 均值聚类）

MiniBatchKMeans 是 sklearn.cluster 提供的 小批量 K 均值聚类（MiniBatch K-Means） 方法，它是 KMeans 的改进版本，适用于 大规模数据集，通过 小批量随机梯度更新 来加速计算，减少内存使用。

---

1. MiniBatchKMeans vs. KMeans

模型	适用情况	主要区别
KMeans	标准 K 均值聚类	计算成本较高，每次迭代使用所有数据
MiniBatchKMeans	适用于大规模数据	每次使用一个小批量数据进行更新，提高速度

对比

• KMeans 每次迭代使用所有数据，计算开销大，适用于小规模数据。
• MiniBatchKMeans 每次迭代仅使用一个小批量数据，计算更快，适用于大规模数据。

---

2. MiniBatchKMeans 代码示例

(1) 训练 MiniBatchKMeans 聚类模型

from sklearn.cluster import MiniBatchKMeans
import numpy as np

# 生成数据
X = np.random.rand(1000, 2)  # 1000 个二维点

# 训练 MiniBatchKMeans 聚类模型
model = MiniBatchKMeans(n_clusters=5, batch_size=50, random_state=42)
model.fit(X)

# 预测簇标签
labels = model.predict(X)
print("簇标签:", labels[:10])

解释

• n_clusters=5：指定 5 个聚类簇。
• batch_size=50：每次迭代仅使用 50 个数据点进行计算，提高速度。
• fit(X)：训练 MiniBatchKMeans，更新质心。

---

3. MiniBatchKMeans 主要参数

MiniBatchKMeans(n_clusters=5, batch_size=50, max_iter=100, random_state=42)

参数	说明
n_clusters	聚类数（默认 8，值越大，计算复杂度越高）
batch_size	小批量大小（默认 100，值越大，计算更精确，但速度下降）
max_iter	最大迭代次数（默认 100，用于避免收敛失败）
init	初始化方法（默认 "k-means++"，可选 "random"）
random_state	随机种子（控制初始化一致性）

---

4. 选择最佳聚类数 (n_clusters)

import matplotlib.pyplot as plt
from sklearn.metrics import silhouette_score

# 计算不同 K 值下的轮廓系数
K_values = range(2, 10)
sil_scores = []

for k in K_values:
    model = MiniBatchKMeans(n_clusters=k, batch_size=50, random_state=42)
    labels = model.fit_predict(X)
    sil_scores.append(silhouette_score(X, labels))

# 绘制轮廓系数曲线
plt.plot(K_values, sil_scores, marker="o")
plt.xlabel("聚类数 (K)")
plt.ylabel("轮廓系数")
plt.title("选择最佳 K 值")
plt.show()

解释

• 轮廓系数（Silhouette Score） 衡量聚类质量，值越大越好。
• 观察折点（Elbow Point） 选择最佳 K。

---

5. MiniBatchKMeans 可视化

import seaborn as sns

sns.scatterplot(x=X[:, 0], y=X[:, 1], hue=labels, palette="coolwarm")
plt.scatter(model.cluster_centers_[:, 0], model.cluster_centers_[:, 1], s=200, c="black", marker="X", label="Centroids")
plt.legend()
plt.title("MiniBatchKMeans 聚类结果")
plt.show()

解释

• 黑色 X 标记质心位置。

---

6. 计算聚类性能

from sklearn.metrics import silhouette_score

score = silhouette_score(X, labels)
print("轮廓系数:", score)

解释

• silhouette_score(X, labels)：评估聚类效果（值越大越好）。

---

7. MiniBatchKMeans vs. KMeans

from sklearn.cluster import KMeans
import time

# 计算 KMeans 训练时间
start = time.time()
kmeans_model = KMeans(n_clusters=5, random_state=42)
kmeans_model.fit(X)
print("KMeans 训练时间:", time.time() - start)

# 计算 MiniBatchKMeans 训练时间
start = time.time()
minibatch_model = MiniBatchKMeans(n_clusters=5, batch_size=50, random_state=42)
minibatch_model.fit(X)
print("MiniBatchKMeans 训练时间:", time.time() - start)

解释

• MiniBatchKMeans 训练速度快于 KMeans，适用于大规模数据集。

---

8. MiniBatchKMeans vs. DBSCAN vs. AgglomerativeClustering

方法	适用情况	主要区别
MiniBatchKMeans	数据均匀分布，适用于大规模数据	需要预设簇数，易受初始点影响
DBSCAN	适用于噪声数据，簇形状不规则	不需预设簇数，依赖 eps 和 min_samples
AgglomerativeClustering	适用于层级结构的数据	适用于小规模数据，可视化树形结构

---

9. 适用场景

• 大规模数据聚类（如 上百万数据点）。
• 在线学习（Online Learning）（可用于 流数据处理）。
• 图像分割（如 KMeans 颜色量化）。

---

10. 结论

• MiniBatchKMeans 适用于大规模数据集，计算速度快，效果接近 KMeans，但在小数据集上可能不如 KMeans 精确。适用于 实时数据聚类、在线学习和图像处理。