sklearn学习笔记之Kmeans聚类

先讲KMeans的构造函数：

使用前需要导入

import sklearn.cluster import KMeans

KMeans(n_clusters=8,     init='k-means++',     n_init=10,     max_iter=300,     tol=0.0001,     precompute_distances='auto',     verbose=0,     random_state=None,     copy_x=True,     n_jobs=1,     algorithm='auto'    )

各个参数的意义：

参数的意义：

• n_clusters:簇的个数，即你想聚成几类
• init: 初始簇中心的获取方法
• n_init: 获取初始簇中心的更迭次数
• max_iter: 最大迭代次数（因为kmeans算法的实现需要迭代）
• tol: 容忍度，即kmeans运行准则收敛的条件
• precompute_distances：是否需要提前计算距离
• verbose: 冗长模式（不太懂是啥意思，反正一般不去改默认值）
• random_state: 随机生成簇中心的状态条件。
• copy_x: 对是否修改数据的一个标记，如果True，即复制了就不会修改数据。
• n_jobs: 并行设置
• algorithm: kmeans的实现算法，有：'auto', 'full', 'elkan', 其中 'full'表示用EM方式实现

虽然参数众多，但大多有默认值，下面给出运用实例：

import osimport scipy as spimport numpy as npfrom scipy.stats import normfrom matplotlib import pylabfrom sklearn.cluster import KMeansxw1 = norm(loc=0.3, scale=.15).rvs(20)yw1 = norm(loc=0.3, scale=.15).rvs(20)xw2 = norm(loc=0.7, scale=.15).rvs(20)yw2 = norm(loc=0.7, scale=.15).rvs(20)xw3 = norm(loc=0.2, scale=.15).rvs(20)yw3 = norm(loc=0.8, scale=.15).rvs(20)x = sp.append(sp.append(xw1, xw2), xw3)y = sp.append(sp.append(yw1, yw2), yw3)km = KMeans(init='random', n_clusters=3, verbose=1,            n_init=1, max_iter=6)colors=['red','green','blue']marker=['o','p','^']for i in km.labels_:    pylab.scatter(x[km.labels_==i],y[km.labels_==i],marker=marker[i],c=colors[i])pylab.show()

关于KMeans对象的属性：

labels_:每个点的分类； 

cluster_centers_：向量，[n_clusters, n_features] 

inertia_：float，每个点到其簇的质心的距离之和。 

KMeans对象的方法：

fit(X[,y])：计算k-means聚类。

fi_predictt(X[,y])：计算簇质心并给每个样本预测类别。

fit_transform(X[,y])：计算簇并 transform X to cluster-distance space。

get_params([deep])：取得估计器的参数。

predict(X)：给每个样本估计最接近的簇。

score(X[,y])：Opposite of the value of X on the K-means objective (?)

set_params(**params)：为这个估计器手动设定参数。

transform(X[,y])：将X转换入cluster-distance 空间。