dask_ml.cluster.KMeans
dask_ml.cluster.KMeans¶
- class dask_ml.cluster.KMeans(n_clusters=8, init='k-means||', oversampling_factor=2, max_iter=300, tol=0.0001, precompute_distances='auto', random_state=None, copy_x=True, n_jobs=1, algorithm='full', init_max_iter=None, n_init='auto')¶
用于聚类的可伸缩 KMeans
- 参数
- n_clustersint, 默认 8
最终需要的聚类数量
- init{‘k-means||’, ‘k-means++’ 或 ndarray}
中心初始化方法，默认为 'k-means||'。
‘k-means||’ : 选择 gg
‘k-means++’ : 以智能方式选择初始聚类中心以加速收敛。使用 scikit-learn 的实现。
警告
如果使用
'k-means++'，整个数据集将一次性读入内存。可以使用形状为 (n_clusters, n_features) 的数组作为明确的起始点
- oversampling_factorint, 默认 2
k-means||算法中使用的过采样因子。- max_iterint
尝试的最大 EM 迭代次数。
- init_max_iterint
初始化步骤的迭代次数。
- tolfloat
声明收敛的相对于惯量的相对容差
- algorithm‘full’
用于 EM 步骤的算法。只允许使用 “full” (LLoyd 算法)。
- random_stateint, RandomState 实例或 None, 可选, 默认: None
如果为 int，random_state 是随机数生成器使用的种子；如果为 RandomState 实例，random_state 是随机数生成器；如果为 None，则随机数生成器是 np.random 使用的 RandomState 实例。
- n_init‘auto’ 或 int, 默认=10
使用不同质心种子运行 k-means 算法的次数。最终结果将是 n_init 次连续运行中以惯量计的最佳输出。当 n_init=’auto’ 时，如果使用 init=’random’，运行次数为 10；如果使用 init=’kmeans++’，运行次数为 1。.. versionadded:: 1.2
为 n_init 添加了 'auto' 选项。
自 1.4 版本改变: 在 1.4 版本中，n_init 的默认值将从 10 更改为 ‘auto’。
- 属性
- cluster_centers_np.ndarray [n_clusters, n_features]
一个包含聚类中心的 NumPy 数组
- labels_da.array [n_samples,]
一个 dask 数组，包含此样本属于
cluster_centers_中的索引位置。- inertia_float
样本到其最近聚类中心的距离总和。
- n_iter_int
达到收敛所需的 EM 步骤数
注意
此类别实现了 k-Means 的并行和分布式版本。
使用 k-means|| 初始化
KMeans的默认初始化器是k-means||，而不是 scikit-learn 的k-means++。这是 Scalable K-Means++ (2012) 中描述的算法。k-means||设计用于分布式环境。它是 k-means++ 的变体，设计用于并行工作（k-means++ 本质上是顺序的）。目前，此处的k-means||实现比 scikit-learn 的k-means++慢，如果您的整个数据集可以在单台机器的内存中容纳。如果是这种情况，请考虑使用init='k-means++'。并行 LLoyd 算法
LLoyd 算法（scikit-learn 中使用的默认期望最大化算法）是天然并行的。在简单的基准测试中，这里的实现比 scikit-learn 快 2-3 倍。
初始化步骤和 EM 步骤都需要多次遍历数据。如果可能，在运行
.fit之前，将 dask 集合持久化到（分布式）内存中。参考文献
Scalable K-Means++, 2012 Bahman Bahmani, Benjamin Moseley, Andrea Vattani, Ravi Kumar, Sergei Vassilvitskii https://arxiv.org/abs/1203.6402
方法
fit_transform(X[, y])拟合数据，然后进行转换。
get_metadata_routing()获取此对象的元数据路由。
get_params([deep])获取此估计器的参数。
predict(X)预测 X 中每个样本所属的最接近的聚类。
set_output(*[, transform])设置输出容器。
set_params(**params)设置此估计器的参数。
fit
transform
- __init__(n_clusters=8, init='k-means||', oversampling_factor=2, max_iter=300, tol=0.0001, precompute_distances='auto', random_state=None, copy_x=True, n_jobs=1, algorithm='full', init_max_iter=None, n_init='auto')¶