Python sklearn KMeans用法及代码示例

本文简要介绍python语言中 sklearn.cluster.KMeans 的用法。

用法:

class sklearn.cluster.KMeans(n_clusters=8, *, init='k-means++', n_init=10, max_iter=300, tol=0.0001, verbose=0, random_state=None, copy_x=True, algorithm='auto')

K-Means 聚类。

在用户指南中阅读更多信息。

参数：

n_clusters：整数，默认=8

要形成的簇数以及要生成的质心数。

init：{‘k-means++’, ‘random’}，可调用或类似数组的形状 (n_clusters, n_features)，默认=‘k-means++’

初始化方法：

‘k-means++’：以智能方式为k-mean聚类选择初始聚类中心以加速收敛。有关更多详细信息，请参阅 k_init 中的注释部分。

‘random’：从初始质心的数据中随机选择 n_clusters 观测值(行)。

如果传递了一个数组，它的形状应该是 (n_clusters, n_features) 并给出初始中心。

如果传递了一个可调用对象，它应该接受参数 X、n_clusters 和一个随机状态并返回一个初始化。

n_init：整数，默认=10

k-means 算法将使用不同的质心种子运行的次数。就惯性而言，最终结果将是 n_init 连续运行的最佳输出。

max_iter：整数，默认=300

k-means 算法单次运行的最大迭代次数。

tol：浮点数，默认=1e-4

关于两次连续迭代的聚类中心差异的 Frobenius 范数的相对容差，以声明收敛。

verbose：整数，默认=0

详细模式。

random_state：int、RandomState 实例或无，默认=无

确定质心初始化的随机数生成。使用int 使随机性具有确定性。请参阅术语表。

copy_x：布尔，默认=真

在预先计算距离时，首先将数据居中在数值上更准确。如果 copy_x 为 True(默认)，则不修改原始数据。如果为 False，则修改原始数据，并在函数返回之前放回，但通过减去再添加数据均值可能会引入小的数值差异。请注意，如果原始数据不是C-contiguous，即使copy_x 为False，也会进行复制。如果原始数据是稀疏的，但不是 CSR 格式，即使 copy_x 为 False，也会进行复制。

algorithm：{“auto”, “full”, “elkan”}，默认=”auto”

K-means 算法使用。经典的EM-style算法是“full”。通过使用三角不等式，“elkan” 变体对具有明确定义的集群的数据更有效。然而，由于分配了一个额外的形状数组(n_samples，n_clusters)，它更加占用内存。

目前“auto”(为了向后兼容而保留)选择“elkan”，但它可能会在未来改变以获得更好的启发式。

属性：

cluster_centers_：ndarray 形状(n_clusters，n_features)

聚类中心的坐标。如果算法在完全收敛之前停止(参见 tol 和 max_iter )，这些将与 labels_ 不一致。

labels_：ndarray 形状 (n_samples,)

每个点的标签

inertia_：浮点数

样本到它们最近的聚类中心的距离平方和，如果提供，则按样本权重加权。

n_iter_：int

运行的迭代次数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

k-means 问题使用 Lloyd 或 Elkan 算法解决。

平均复杂度由 O(k n T) 给出，其中 n 是样本数，T 是迭代次数。

最坏情况复杂度由 O(n^(k+2/p)) 给出，其中 n = n_samples，p = n_features。 (D. Arthur 和 S. Vassilvitskii，“k-means 方法有多慢？” SoCG2006)

在实践中，k-means 算法非常快(可用的最快的聚类算法之一)，但它属于局部最小值。这就是为什么重新启动它几次会很有用。

如果算法在完全收敛之前停止(因为 tol 或 max_iter )，labels_ 和 cluster_centers_ 将不一致，即 cluster_centers_ 将不是每个集群中点的均值。此外，估计器将在最后一次迭代后重新分配labels_，以使labels_ 与训练集上的predict 一致。

例子：

>>> from sklearn.cluster import KMeans
>>> import numpy as np
>>> X = np.array([[1, 2], [1, 4], [1, 0],
...               [10, 2], [10, 4], [10, 0]])
>>> kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
>>> kmeans.labels_
array([1, 1, 1, 0, 0, 0], dtype=int32)
>>> kmeans.predict([[0, 0], [12, 3]])
array([1, 0], dtype=int32)
>>> kmeans.cluster_centers_
array([[10.,  2.],
       [ 1.,  2.]])