摘要：算法的關(guān)鍵在于初始中心的選擇和距離公式。并行設(shè)置的實(shí)現(xiàn)算法，有其中表示用方式實(shí)現(xiàn)雖然有很多參數(shù)，但是都已經(jīng)給出了默認(rèn)值。

K-means是機(jī)器學(xué)習(xí)中一個(gè)比較常用的算法，屬于無(wú)監(jiān)督學(xué)習(xí)算法，其常被用于數(shù)據(jù)的聚類(lèi)，只需為它指定簇的數(shù)量即可自動(dòng)將數(shù)據(jù)聚合到多類(lèi)中，相同簇中的數(shù)據(jù)相似度較高，不同簇中數(shù)據(jù)相似度較低。

優(yōu)點(diǎn)：

原理簡(jiǎn)單

速度快

對(duì)大數(shù)據(jù)集有比較好的伸縮性

缺點(diǎn)：

需要指定聚類(lèi) 數(shù)量K

對(duì)異常值敏感

對(duì)初始值敏感

其聚類(lèi)過(guò)程類(lèi)似于梯度下降算法，建立代價(jià)函數(shù)并通過(guò)迭代使得代價(jià)函數(shù)值越來(lái)越小

適當(dāng)選擇c個(gè)類(lèi)的初始中心；

在第k次迭代中，對(duì)任意一個(gè)樣本，求其到c個(gè)中心的距離，將該樣本歸到距離最短的中心所在的類(lèi)；

利用均值等方法更新該類(lèi)的中心值；

對(duì)于所有的c個(gè)聚類(lèi)中心，如果利用（2）（3）的迭代法更新后，值保持不變，則迭代結(jié)束，否則繼續(xù)迭代。

該算法的最大優(yōu)勢(shì)在于簡(jiǎn)潔和快速。算法的關(guān)鍵在于初始中心的選擇和距離公式。

python中km的一些參數(shù)：

sklearn.cluster.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"
    )
n_clusters: 簇的個(gè)數(shù)，即你想聚成幾類(lèi)
init: 初始簇中心的獲取方法
n_init: 獲取初始簇中心的更迭次數(shù)，為了彌補(bǔ)初始質(zhì)心的影響，算法默認(rèn)會(huì)初始10個(gè)質(zhì)心，實(shí)現(xiàn)算法，然后返回最好的結(jié)果。
max_iter: 最大迭代次數(shù)（因?yàn)閗means算法的實(shí)現(xiàn)需要迭代）
tol: 容忍度，即kmeans運(yùn)行準(zhǔn)則收斂的條件
precompute_distances:是否需要提前計(jì)算距離，這個(gè)參數(shù)會(huì)在空間和時(shí)間之間做權(quán)衡，如果是True 會(huì)把整個(gè)距離矩陣都放到內(nèi)存中，auto 會(huì)默認(rèn)在數(shù)據(jù)樣本大于featurs*samples 的數(shù)量大于12e6 的時(shí)候False,False 時(shí)核心實(shí)現(xiàn)的方法是利用Cpython 來(lái)實(shí)現(xiàn)的
verbose: 冗長(zhǎng)模式（不太懂是啥意思，反正一般不去改默認(rèn)值）
random_state: 隨機(jī)生成簇中心的狀態(tài)條件。
copy_x: 對(duì)是否修改數(shù)據(jù)的一個(gè)標(biāo)記，如果True，即復(fù)制了就不會(huì)修改數(shù)據(jù)。bool 在scikit-learn 很多接口中都會(huì)有這個(gè)參數(shù)的，就是是否對(duì)輸入數(shù)據(jù)繼續(xù)copy 操作，以便不修改用戶(hù)的輸入數(shù)據(jù)。這個(gè)要理解Python 的內(nèi)存機(jī)制才會(huì)比較清楚。
n_jobs: 并行設(shè)置
algorithm: kmeans的實(shí)現(xiàn)算法，有：’auto’, ‘full’, ‘elkan’, 其中 ‘full’表示用EM方式實(shí)現(xiàn)
雖然有很多參數(shù)，但是都已經(jīng)給出了默認(rèn)值。所以我們一般不需要去傳入這些參數(shù),參數(shù)的?？梢愿鶕?jù)實(shí)際需要來(lái)調(diào)用。

下面展示一個(gè)代碼例子

from sklearn.cluster import KMeans
from sklearn.externals import joblib
from sklearn import cluster
import numpy as np

# 生成10*3的矩陣
data = np.random.rand(10,3)
print data
# 聚類(lèi)為4類(lèi)
estimator=KMeans(n_clusters=4)
# fit_predict表示擬合+預(yù)測(cè)，也可以分開(kāi)寫(xiě)
res=estimator.fit_predict(data)
# 預(yù)測(cè)類(lèi)別標(biāo)簽結(jié)果
lable_pred=estimator.labels_
# 各個(gè)類(lèi)別的聚類(lèi)中心值
centroids=estimator.cluster_centers_
# 聚類(lèi)中心均值向量的總和
inertia=estimator.inertia_

print lable_pred
print centroids
print inertia

代碼執(zhí)行結(jié)果
[0 2 1 0 2 2 0 3 2 0]

[[ 0.3028348   0.25183096  0.62493622]
 [ 0.88481287  0.70891813  0.79463764]
 [ 0.66821961  0.54817207  0.30197415]
 [ 0.11629904  0.85684903  0.7088385 ]]
 
0.570794546829

為了更直觀的描述，這次在圖上做一個(gè)展示，由于圖像上繪制二維比較直觀，所以數(shù)據(jù)調(diào)整到了二維，選取100個(gè)點(diǎn)繪制，聚類(lèi)類(lèi)別為3類(lèi)

from sklearn.cluster import KMeans
from sklearn.externals import joblib
from sklearn import cluster
import numpy as np
import matplotlib.pyplot as plt

data = np.random.rand(100,2)
estimator=KMeans(n_clusters=3)
res=estimator.fit_predict(data)
lable_pred=estimator.labels_
centroids=estimator.cluster_centers_
inertia=estimator.inertia_
#print res
print lable_pred
print centroids
print inertia

for i in range(len(data)):
    if int(lable_pred[i])==0:
        plt.scatter(data[i][0],data[i][1],color="red")
    if int(lable_pred[i])==1:
        plt.scatter(data[i][0],data[i][1],color="black")
    if int(lable_pred[i])==2:
        plt.scatter(data[i][0],data[i][1],color="blue")
plt.show()

可以看到聚類(lèi)效果還是不錯(cuò)的，對(duì)k-means的聚類(lèi)效率進(jìn)行了一個(gè)測(cè)試，將維度擴(kuò)寬到50維

對(duì)于百萬(wàn)級(jí)的數(shù)據(jù)，擬合時(shí)間還是能夠接受的，可見(jiàn)效率還是不錯(cuò)，對(duì)模型的保存與其它的機(jī)器學(xué)習(xí)算法模型保存類(lèi)似

from sklearn.externals import joblib
joblib.dump(km,"model/km_model.m")