11、基于距离度量构建模型

基于距离度量构建模型

1. 惯性指标（Inertia）

在聚类分析中，有一个尚未提及且不依赖于真实标签的指标——惯性（Inertia）。它目前作为一个指标的文档记录并不完善，但它是 k-means 算法试图最小化的指标。惯性是每个点与其所属聚类中心的平方差之和，我们可以使用 NumPy 来计算它，示例代码如下：

kmeans.inertia_

运行结果可能如下：

4849.9842988128385

2. 使用 MiniBatch k-means 处理更多数据

2.1 准备工作

k-means 是一种不错的聚类方法，但对于大量数据来说并不理想，这是因为 k-means 的计算复杂度较高，该问题属于 NP 难问题。而 MiniBatch k-means 是 k-means 的一种更快的实现方式，它通过采用许多称为 MiniBatches 的子样本，在良好的初始条件下可以实现与常规 k-means 相近的效果，从而将 k-means 的速度提高几个数量级。

2.2 操作步骤

以下是对 MiniBatch 聚类进行高级性能分析的步骤：
1. 导入必要的库并生成数据集 ：

import numpy as np
from sklearn.datasets import make_blobs
blobs, labels =