kmeans_plusplus#

sklearn.cluster.kmeans_plusplus(X, n_clusters, *, sample_weight=None, x_squared_norms=None, random_state=None, n_local_trials=None)[原始碼]#

根據 k-means++ 初始化 n_clusters 個種子。

於 0.24 版本新增。

參數:
X{類陣列, 稀疏矩陣}，形狀為 (n_samples, n_features)

用於選擇種子的資料。

n_clusters整數

要初始化的質心數量。

sample_weight類陣列，形狀為 (n_samples,)，預設為 None

X 中每個觀測值的權重。如果為 None，則所有觀測值都被賦予相等的權重。如果 init 是可呼叫的或使用者提供的陣列，則會忽略 sample_weight。

於 1.3 版本新增。

x_squared_norms類陣列，形狀為 (n_samples,)，預設為 None

每個資料點的歐幾里得範數平方。

random_state整數或 RandomState 實例，預設為 None

決定質心初始化的隨機數生成。傳遞一個整數以在多次函數呼叫中產生可重複的輸出。參見詞彙表。

n_local_trials整數，預設為 None

每個中心（第一個除外）的種子試驗次數，其中貪婪地選擇減少慣性最多的那個。設定為 None 以使試驗次數在對數上取決於種子數量 (2+log(k))，這是建議的設定。設定為 1 會停用貪婪叢集選擇並恢復原始的 k-means++ 演算法，該演算法經實驗證明效果不如其貪婪變體。

返回:
centersndarray，形狀為 (n_clusters, n_features)

k-means 的初始中心。

indicesndarray，形狀為 (n_clusters,)

在資料陣列 X 中選擇的中心的索引位置。對於給定的索引和中心，X[index] = center。

註釋

以智慧方式選擇 k-means 聚類的初始叢集中心，以加速收斂。參見：Arthur, D. and Vassilvitskii, S. “k-means++: the advantages of careful seeding”. ACM-SIAM symposium on Discrete algorithms. 2007

範例

>>> 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,  2],
       [ 1,  0]])
>>> indices
array([3, 2])