评估指标之最小化惯性

1.X, Y = make_blobs(n_samples=2000, n_features=2, centers=12,
                      cluster_std=0.05, center_box=[-5, 5], random_state=100)

#sklearn.datasets.make_blobs() 是用于创建多类单标签数据集的函数，它为每个类分配一个或多个正态分布的点集。

X : array of shape [n_samples, n_features]
The generated samples.
生成的样本数据集。

y : array of shape [n_samples]
The integer labels for cluster membership of each sample.
样本数据集的标签。

#待生成2000个样本，每一个样本有两个特征参数。生成12个非常紧凑的高斯斑点，标准差为0.05，上下边界为-5到5，随机生成器的种子为100。参考​​​​​​scikit-leanr 库中的 make_blobs() 函数 - 赏尔 - 博客园

2.for i in range(12):
        ax.scatter(X[:, 0], X[:, 1],c='r', edgecolor='g', marker='*',label='Blob {}'.format(i + 1))

与

for i in range(12):
        plt.scatter(X[:, 0], X[:, 1],c='r', edgecolor='b', marker='o', label='Blob {}'.format(i + 1))

#绘制散点图matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs);

#具体参数参考，如s的意义 scatter()各个参数详解_z新一的博客-CSDN博客_ax.scatter

3.ax.set_xlabel(r'$x_0$')

#x轴标记为x0，见上图