sklearn.KMeans

关于sklearn.KMeans的问题，包正常安装，但是在运行时有其他错误

img

img

img


如上诉三张图片所显示的，包的安装没有问题，但是并不能运行

  • 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7565967
  • 你也可以参考下这篇文章：【skLearn 聚类算法】KMeans
  • 你还可以看下sklearn参考手册中的 用KMeans聚类的剪影分析来选择聚类的数量
  • 除此之外, 这篇博客: sklearn聚类之—KMeans中的 .KMeans 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  •  参数描述
    参数n_clusters : int, optional, default: 8要形成的簇的数目以及要生成的质心的数目。
    init : {‘k-means++’, ‘random’ or an ndarray}

    ‘k-means++’：选择初始聚类中心的K-均值聚类的智能方式，以加快收敛。

    random：从初始质心数据中随机选择K个观测值（行）。

    ndarray：它应该是形状（n-簇，n-特征）并给出初始中心。

    n_init : int, default: 10用不同质心种子运行k-均值算法的次数。最后的结果将是连续运行在惯性方面的最佳输出。
    max_iter : int, default: 300最大迭代次数
    tol : float, default: 1e-4限制平方误差的来防止局部最优化
    precompute_distances : {‘auto’, True, False}

    ‘auto’ : 如果n*样本*n群集＞1200万，则不预先计算距离。这对应于使用双精度的每个作业大约100MB的开销。

    True :总是预先计算距离

    False:从来不预先计算距离

     

    verbose : int, default 0冗长模式
    random_state : int, RandomState instance or None, optional, default: None如果是int，是随机数生成器使用的种子；如果RandomState实例，._state是随机数生成器；如果None，则随机数生成器是np.random使用的RandomState实例。
    copy_x : boolean, default True是否复制训练集
    n_jobs : int并行的数量
    algorithm : “auto”, “full” or “elkan”, default=”auto”k-均值算法使用。经典的EM风格算法是“满”的。使用三角不等式，“ELKAN”变异更有效，但目前不支持稀疏数据。“自动”为密集数据选择“ELKAN”，为稀疏数据选择“满”。
     cluster_centers_ : array, [n_clusters, n_features]质心
     labels_ : :分类点标签
     inertia_ : float样本距离与它们最接近的聚类中心的距离之和。
    from sklearn.cluster import KMeans
import numpy as np
X = np.array([[1, 2], [1, 4], [1, 0],
              [4, 2], [4, 4], [4, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
kmeans.labels_

kmeans.predict([[0, 0], [4, 4]])

kmeans.cluster_centers_

      常用方法

     

    fit(X[, y])Compute k-means clustering.
    fit_predict(X[, y])Compute cluster centers and predict cluster index for each sample.
    fit_transform(X[, y])Compute clustering and transform X to cluster-distance space.
    get_params([deep])Get parameters for this estimator.
    predict(X)Predict the closest cluster each sample in X belongs to.
    score(X[, y])Opposite of the value of X on the K-means objective.
    set_params(**params)Set the parameters of this estimator.
    transform(X)Transform X to a cluster-distance space.
  • 您还可以看一下 刘湘宇老师的 机器学习-kmeans-物以类聚-视频课程课程中的 1.kmeans基本概念小节, 巩固相关知识点