具有选定初始中心的 k-means

Question

我正在尝试使用选定的初始质心进行 k 均值聚类。它说 here 指定您的初始中心：

init : {‘k-means++’, ‘random’ or an ndarray}

如果传递 ndarray，它应该是形状 (n_clusters, n_features) 并给出初始中心。

我在Python中的代码：

X = np.array([[-19.07480000,  -8.536],
              [22.010800000,-10.9737],
              [12.659700000,19.2601]], np.float64)
km = KMeans(n_clusters=3,init=X).fit(data)
# print km
centers = km.cluster_centers_
print centers

Returns一个错误：

RuntimeWarning: Explicit initial center position passed: performing only one init in k-means instead of n_init=10
  n_jobs=self.n_jobs)

和return相同的初始中心。知道如何形成初始中心以便它可以被接受吗？

Answer 1

KMeans 的默认行为是使用不同的随机质心（即 Forgy method). The number of random initializations is then controlled by the n_init= parameter (docs）多次初始化算法：

n_init : int, default: 10

Number of time the k-means algorithm will be run with different centroid seeds. The final results will be the best output of n_init consecutive runs in terms of inertia.

如果您将数组作为 init= 参数传递，则只会使用数组中明确指定的质心执行单个初始化。你得到一个 RuntimeWarning 因为你仍然传递默认值 n_init=10 （here 是源代码的相关行）。

忽略此警告实际上完全没问题，但如果您的 init= 参数是数组，则可以通过传递 n_init=1 使其完全消失。

具有选定初始中心的 k-means

k-means with selected initial centers

python

numpy

k-means

scikit-learn