根据菜菜的课程进行整理，方便记忆理解
代码位置如下：
参数列表
| 参数 | 含义 |
|---|---|
| n_clusters | 整数可不填，默认8 要分成的簇数，以及要生成的质心数 |
| init | 可输入”k-means++'',"random”或者一个n维数组 初始化质心的方法，默认”k-means++‘' 输入”k-means++"：一种为K均值聚类选择初始聚类中心的聪明的办法以加速收敛 如果输入了n维数组，数组的形状应该是(n_clusters,n_features)给出初始质心 |
| n_init | 整数，默认10 使用不同的质心随机初始化的种子来运行k-means算法的次数．最终结果会是基于Inertia来计算的n_init 次连续运行后的最佳输出 |
| max_iter | 整数，默认300 单次运行的k-means算法的最大迭代次数 |
| tol | 浮点数，默认1e-4 两次迭代间Inertia下降的量，如果两次迭代之间Inertia下降的值小于tol所设定的值，迭代就会停下 |
| precompute_distances | auto",True, False,默认’auto" 预计算距离(更快但需要更多内存) 'auto'：如果n_samples * n_clusters> 1200万，请不要预先计算距离。这相当于使用双精度来学习每个作业大约需要100MB的内存开销。 True：始终预先计算距离 False；从不预先计算距离 |
| verbose | 整数，默认0 计算中的详细模式 |
| random_state | 整数，Randomstate或者None，默认None 确定质心初始化的随机数生成。使用int可以使随机性具有确定性 |
| copy_x | 布尔值，可不填，默认True 在预先计算距离时，如果先中心化数据，距离的预计算会更加精确。如果copy_x为True (默认值)，则不修改原始数据，确保特征矩阵x是C-连续(C-contiguous)的。如果为False，原始数据被修改并在函数返回之前放回，但是可以通过减去或增加数据均值来引入微小的数值差异，在这种情况下，False模式无法确保数据是C-连续的，这可能导致K-Means的计算量显著变慢。 |
| n_jobs | 整数或None，可不填默认1 用于计算的作业数。在计算每个n_init时并行运行的workor数． 这个参数允许K-means：在多个workor线上并行运行。给这个参数一个正值n_jobs，表示使用n_jobs条处理 器中的线程。值-1表示使用所有可用的处理器，-2表示使用所有可用的处理器-1个处理器依此类推。并行化通常以内存为代价加速计算（在这种情况下，需要存储多个质心副本，每个作业一个） |
| algorithm | 可输入“auto",'full" or "elkan"，默认为“auto" K-means算法使用。经典的EM风格算法是“完整的“。通过使用三角不等式，"elkan'‘变体更有效， 但目前不支持稀疏数据。"auto"为密集数据选择‘'elkan"，为稀疏数据选择’'full" |
重要属性
| 属性 | 含义 |
|---|---|
| cluster_centers_ | 收敛导质心，如果算法在完全收敛之前就停下了(受到参数max_iter和tol的控制)，所返回的内容与labels_属性中反应出来的聚类的结果不一致 |
| labels_ | 每个样本点对应的标签 |
| intertia_ | 每个样本到距离他们最近的簇心的均方距离，又叫做"簇内平方和" |
| n_iter_ | 实际的迭代次数 |
接口
| 接口 | 输入 | 功能&返回 |
|---|---|---|
| fit | 训练特征矩阵x,[训练用标签,sample_weight] | 拟合模型，计算K均值的聚类结果 |
| fit_predict | 训练特征矩阵x,[训练用标签,sample_weight] | 返回每个样本所对应的簇的索引 计算质心并且为每个样本预测所在的簇的索引功能相当于 |
| fit_transform | 训练特征矩阵x,[训练用标签,sample_weight] | 返回新空间中的特征矩阵 进行聚类并且将特征矩阵x转换到彻巨离空间当中，功能相当于先fit再transform |
| get_params | 不需要任何输入 | 获取该类的参数 |
| predict | 训练特征矩阵x,[sample_weight] | 预测每个测试集x中的样本的所在簇，并返回每个样本所对应的簇的索引 在矢量呈化的相关文献中，cluster_centers_被称为代码簿，predict返回的每个值是代码簿中最接近的代码的索引 |
| score | 训练特征矩阵x,[训练用标签,sample_weight] | 返回聚类后的Inertia,即簇内平方和的负数 簇内平方和是Kmeans常用的模型评价指标簇内平方和越小越好，最佳值为0 |
| set_params | 需要新设定的参数 | 为建立好的类重设参数 |
| transform | 任意特征矩阵X | 将x转换到簇距离空间中 在新空间中，每个维度(即每个坐标轴)是样本点到集群中心的距离。请注意：即使X是稀疏的，变换返回的数组通常也是密集的。 |
