TL;DR

场景：用二维 testSet 验证自写 K-Means，再切到 sklearn KMeans 跑真实数据并理解关键参数与 labels_。

结论：自写版重点在数据形状与标签列约定；sklearn 重点在 n_clusters 选择、收敛与版本参数兼容（algorithm=‘auto’ 风险）。

产出：可复用的验证流程（读数→可视化→聚类→质心可视化）+ KMeans 参数与常见错误速查卡。

算法验证

函数编写完成后，先以 testSet 数据集测试模型运行效果（为了可以直观看出聚类效果，此处采用一个二维数据集进行验证）。testSet 数据集是一个二维数据集，每个观测值都只有两个特征，且数据之间采用空格进行分隔，因此可以使用 pd.read_table() 函数进行读取。

testSet = pd.read_table('testSet.txt', header=None)
testSet.head()
testSet.shape

然后利用二维平面图观察其分布情况：

plt.scatter(testSet.iloc[:,0], testSet.iloc[:,1]);

可以大概看出数据大概分布在空间的四个角上，后续我们对此进行验证。然后利用我们刚才编写的 K-Means 算法对其进行聚类，在执行算法之前需要添加一列虚拟标签列：

label = pd.DataFrame(np.zeros(testSet.shape[0]).reshape(-1, 1))
test_set = pd.concat([testSet, label], axis=1, ignore_index = True)
test_set.head()

带入算法进行计算，根据二维平面坐标点的分布特征，我们可以考虑设置四个质心，即将其分为四个簇：

test_cent, test_cluster = kMeans(test_set, 4)
test_cent
test_cluster.head()

将分类结果进行可视化展示：

import matplotlib.pyplot as plt
# 绘制聚类点
plt.scatter(test_cluster.iloc[:, 0], test_cluster.iloc[:, 1], c=test_cluster.iloc[:, -1], cmap='viridis')
# 绘制聚类中心
plt.scatter(test_cent[:, 0], test_cent[:, 1], color='red', marker='x', s=100)
plt.title('Cluster Plot with Centroids')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

sklearn实现 K-Means

from sklearn.cluster import KMeans
# KMeans 初始化示例
kmeans = KMeans(
    n_clusters=8,               # 聚类数量
    init='k-means++',            # 初始化质心的方法
    n_init=10,                   # KMeans 算法重新运行的次数
    max_iter=300,                # 最大迭代次数
    tol=0.0001,                  # 容忍度，控制收敛的阈值
    verbose=0,                   # 控制输出日志的详细程度
    random_state=None,           # 随机种子控制聚类的随机性
    copy_x=True,                 # 是否复制 X 数据
    algorithm='auto'             # 使用的 KMeans 算法，'auto' 已弃用，建议使用 'lloyd'
)

n_clusters

n_clusters 是 K-Means 中的 k ，表示着我们告诉模型我们要分几类，这是 K-Means当中唯一一个必填的参数，默认为 8 类，但通常我们聚类结果是一个小于 8 的结果，通常，在开始聚类的之前，我们并不知道 n_clusters 究竟是多少，因此我们要对它进行探索。

cluster.labels

重要属性 labels_，查看聚好的类别，每个样本所对应的类：

from sklearn.cluster import KMeans
from sklearn.datasets import load_breast_cancer
import numpy as np

# 加载数据集
data = load_breast_cancer()
X = data.data

# 定义聚类的簇数
n_clusters = 3

# 使用KMeans进行聚类
cluster = KMeans(n_clusters=n_clusters, random_state=0).fit(X)

# 获取聚类结果的标签
y_pred = cluster.labels_

# 输出聚类的标签
print(y_pred)

predict 和 fit_predict

  • predict：表示学习数据 X 并对 X 的类进行预测
  • fit_predict：不需要分类器.fit()之后都可以预测
# 对于全数据而言
# 分类器 fit().predict 的结果 = 分类器.fit_predict(X) = cluster.labels

错误速查

症状根因修复
K-Means 聚类结果异常/全被分到一类输入数据列约定不一致检查 kMeans 内部对特征列的切片逻辑
sklearn KMeans 报弃用/警告algorithm=‘auto’ 在新版本中可能弃用将 algorithm 改为 ‘lloyd’
make_blobs centers=4，但后续按”两类 y=0/1”绘图示例逻辑不一致统一为”4 簇示例”并说明 y 的取值范围
聚类图颜色混乱/看不出簇c 参数传入的标签列 dtype 不符合预期确保标签列是整数类别；绘图前显式转 int
结果不可复现：每次运行质心不同random_state=None固定 random_state；必要时增大 n_init