Python sklearn kmeans_plusplus用法及代码示例

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

用法:

sklearn.cluster.kmeans_plusplus(X, n_clusters, *, x_squared_norms=None, random_state=None, n_local_trials=None)

根据k-means++初始化n_clusters种子

参数：

X：{类数组，稀疏矩阵}，形状为 (n_samples, n_features)

从中挑选种子的数据。

n_clusters：int

要初始化的质心数

x_squared_norms：形状类似数组 (n_samples,)，默认=None

每个数据点的平方欧几里得范数。

random_state：int 或 RandomState 实例，默认=无

确定质心初始化的随机数生成。传递 int 以在多个函数调用之间实现可重现的输出。请参阅术语表。

n_local_trials：整数，默认=无

每个中心的播种试验次数(第一次除外)，其中最减少惯性的一个被贪心地选择。设置为 None 使试验次数与种子数成对数关系 (2+log(k))。

返回：

centers：ndarray 形状(n_clusters，n_features)

k-means 的初始中心。

indices：ndarray 形状 (n_clusters,)

数据数组 X 中所选中心的索引位置。对于给定的索引和中心，X[index] = center。

注意：

以智能方式为k-mean 聚类选择初始聚类中心以加速收敛。参见：Arthur, D. 和 Vassilvitskii, S. “k-means++：仔细播种的优势”。 ACM-SIAM 离散算法研讨会。 2007年

例子：

>>> from sklearn.cluster import kmeans_plusplus
>>> import numpy as np
>>> X = np.array([[1, 2], [1, 4], [1, 0],
...               [10, 2], [10, 4], [10, 0]])
>>> centers, indices = kmeans_plusplus(X, n_clusters=2, random_state=0)
>>> centers
array([[10,  4],
       [ 1,  0]])
>>> indices
array([4, 2])