本文之編寫程序涉及到API介紹，程序的完整實現(xiàn)，具體算法原理請查看之前所寫的K-Means算法介紹

一、基礎(chǔ)準(zhǔn)備

1、python 基礎(chǔ)

2、scikit 基礎(chǔ)

2.1 K-Means類概述
　　　　在scikit-learn中，包括兩個K-Means的算法，一個是傳統(tǒng)的K-Means算法，對應(yīng)的類是KMeans。另一個是基于采樣的Mini Batch K-Means算法，對應(yīng)的類是MiniBatchKMeans。一般來說，使用K-Means的算法調(diào)參是比較簡單的。

用KMeans類的話，一般要注意的僅僅就是k值的選擇，即參數(shù)n_clusters；如果是用MiniBatchKMeans的話，也僅僅多了需要注意調(diào)參的參數(shù)batch_size，即我們的Mini Batch的大小。

當(dāng)然KMeans類和MiniBatchKMeans類可以選擇的參數(shù)還有不少，但是大多不需要怎么去調(diào)參。下面我們就看看KMeans類和MiniBatchKMeans類的一些主要參數(shù)。
2.2 KMeans類主要參數(shù)

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')

KMeans類的主要參數(shù)有：

1. n_clusters: 即我們的k值，一般需要多試一些值以獲得較好的聚類效果。k值好壞的評估標(biāo)準(zhǔn)在下面會講。
   2）max_iter： 最大的迭代次數(shù)，一般如果是凸數(shù)據(jù)集的話可以不管這個值，如果數(shù)據(jù)集不是凸的，可能很難收斂，此時可以指定最大的迭代次數(shù)讓算法可以及時退出循環(huán)。
   3）n_init：用不同的初始化質(zhì)心運行算法的次數(shù)。由于K-Means是結(jié)果受初始值影響的局部最優(yōu)的迭代算法，因此需要多跑幾次以選擇一個較好的聚類效果，默認(rèn)是10，一般不需要改。如果你的k值較大，則可以適當(dāng)增大這個值。
   4）init： 即初始值選擇的方式，可以為完全隨機(jī)選擇'random',優(yōu)化過的'k-means++'或者自己指定初始化的k個質(zhì)心。一般建議使用默認(rèn)的'k-means++'。
   5）algorithm：有“auto”, “full” or “elkan”三種選擇。"full"就是我們傳統(tǒng)的K-Means算法， “elkan”是我們原理篇講的elkan K-Means算法。默認(rèn)的"auto"則會根據(jù)數(shù)據(jù)值是否是稀疏的，來決定如何選擇"full"和“elkan”。一般數(shù)據(jù)是稠密的，那么就是 “elkan”，否則就是"full"。一般來說建議直接用默認(rèn)的"auto"
   2.3. MiniBatchKMeans類主要參數(shù)

MiniBatchKMeans(n_clusters=8, init='k-means++', max_iter=100, batch_size=100, verbose=0, compute_labels=True, random_state=None, tol=0.0, max_no_improvement=10, init_size=None, n_init=3, reassignment_ratio=0.01)

MiniBatchKMeans類的主要參數(shù)比KMeans類稍多，主要有：

1. n_clusters: 即我們的k值，和KMeans類的n_clusters意義一樣。
   2）max_iter：最大的迭代次數(shù)， 和KMeans類的max_iter意義一樣。
   3）n_init：用不同的初始化質(zhì)心運行算法的次數(shù)。這里和KMeans類意義稍有不同，KMeans類里的n_init是用同樣的訓(xùn)練集數(shù)據(jù)來跑不同的初始化質(zhì)心從而運行算法。而MiniBatchKMeans類的n_init則是每次用不一樣的采樣數(shù)據(jù)集來跑不同的初始化質(zhì)心運行算法。
   4）batch_size：即用來跑Mini Batch KMeans算法的采樣集的大小，默認(rèn)是100.如果發(fā)現(xiàn)數(shù)據(jù)集的類別較多或者噪音點較多，需要增加這個值以達(dá)到較好的聚類效果。
   5）init： 即初始值選擇的方式，和KMeans類的init意義一樣。
   6）init_size: 用來做質(zhì)心初始值候選的樣本個數(shù)，默認(rèn)是batch_size的3倍，一般用默認(rèn)值就可以了。
   7）reassignment_ratio: 某個類別質(zhì)心被重新賦值的最大次數(shù)比例，這個和max_iter一樣是為了控制算法運行時間的。這個比例是占樣本總數(shù)的比例，乘以樣本總數(shù)就得到了每個類別質(zhì)心可以重新賦值的次數(shù)。如果取值較高的話算法收斂時間可能會增加，尤其是那些暫時擁有樣本數(shù)較少的質(zhì)心。默認(rèn)是0.01。如果數(shù)據(jù)量不是超大的話，比如1w以下，建議使用默認(rèn)值。如果數(shù)據(jù)量超過1w，類別又比較多，可能需要適當(dāng)減少這個比例值。具體要根據(jù)訓(xùn)練集來決定。
   8）max_no_improvement：即連續(xù)多少個Mini Batch沒有改善聚類效果的話，就停止算法， 和reassignment_ratio， max_iter一樣是為了控制算法運行時間的。默認(rèn)是10.一般用默認(rèn)值就足夠了。

二、完整程序

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.cluster import KMeans
from sklearn.cluster import MiniBatchKMeans
import matplotlib.pyplot as plt
import numpy as np
#展示數(shù)據(jù)
def showCluster(dataSet, k, clusterAssment):
    dataSet = np.array(dataSet)

    numSamples= np.shape(dataSet)[0]
    dim = np.shape(dataSet)[1]
    if dim != 2:
        print("Sorry! I can not draw because the dimension of your data is not 2!")
        return 1

    mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
    if k > len(mark):
        print("")
        return 1

    # draw all samples
    for i in range(numSamples):
        markIndex = int(clusterAssment[i])
        plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])

    plt.show()


if __name__ == '__main__':
    print("加載數(shù)據(jù)")
    dataSet = []
    fileIn = open('data\\testData.txt')
    for line in fileIn.readlines():
        lineArr = line.strip().split(' ')
        dataSet.append([float(lineArr[0]), float(lineArr[1])])


    #轉(zhuǎn)化為矩陣
    k = 2
    # centroids = KMeans(n_clusters=k, random_state=9).fit_predict(dataSet)
    clusterAssment = MiniBatchKMeans(n_clusters=k, batch_size=200, random_state=9).fit_predict(dataSet)
    # # 最后結(jié)果
    print(clusterAssment)
    # print("顯示數(shù)據(jù)")
    showCluster(dataSet, k, clusterAssment)