持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第24天，点击查看活动详情
前面有了基本的K-Means算法的了解，接下来让我们继续看看K-Means算法的实现。
K-Means算法
我们需要先设置好中心点，然后根据每个中心点去计算每个实例的距离，之后就能够按照计算出来的分数，将所有实例划分到不同的中心点。或者如果我们不知道中心点，但是有标签，我们也可以通过计算实例之间的平均距离一步步推出中心点。
当我们对于不确定的事物，我们最喜欢的最准确的做法就是设置随机值。所以如果没有确定的中心点的位置时，我们就首先要想到设置随机值。比如我们看到图像k堆，那就可以设置k个随机中心点。然后需要做的就很简单，去循环标记我们的实例，更正中心点的位置。
我们看上面的步骤，中心点应该就会在有限步骤后就慢慢开始不动，算法最终达到收敛。
图1 K-Means算法
当然我们也要注意，如果这个算法用在不是聚类的数据上，最后可能永远不会收敛，最后的计算复杂度还会变得很大。
还有一点，对于随机的中心点，我们应该也要考虑到一点，那就是他这样就算下去，会不会到一个次优解。其实上图也能看出来效果稍微差一丢丢。那么我们就需要要优化一下：
也就是刚才说的，我们如果知道中心点可以直接设置：
KMeans(n_clusters=5,init=init_points,n_init=1)
init_points就是我们设置的刚好知道k个中心点。不过我想这个基本不太可能吧。n_init就是就是要初始化几次。
那么我们是不是可以设置，多一点n_init次数，然后再多次中随机初始化中，找到相对比较好的。这个怎么找比较好的，就需要引入模型的惯性这个指标，他其实就是每个实例与器最接近的中心点之间的均方距离。Scikit-Learn的K-Means算法可以通过inertia_instance变量访问。最后只要在多次计算中，找到惯性最小的返回就行。
