K-Means聚类算法 【sklearn.cluster】

---

class sklearn.cluster.KMeans(n_clusters=8, *, init='kmeans++', n_init=10, max_iter=300, tol=0.0001,

precompute_distances='deprecated', verbose=0, random_state=None, copy_x=True, n_jobs='deprecated', algorithm='auto')

---

参数：

1、 n_clusters: 聚类类别数量，也是初始聚类中心的数量，default=8

2、init: 聚类的初始化中心的方案， dafault='k-means++'

'k-means++': （1）从输入的数据点集合（要求有k个聚类）中随机选择一个点作为第一个聚类中心；（2）、对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)；（3）、选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；（4）、重复2和3直到k个聚类中心被选出来。

'random': 从data中随机选取n_clusters数量的点作为初始中心；

'ndarray': 传入的是形状为（n_clusters, n_features）的二维数组，数组的每一行作为一个中心；