python sklearn.cluster KMeans使用

`sklearn.cluster.KMeans` 是一个用于聚类分析的类，可以用于将数据分成预定数量的簇。以下是使用 `KMeans` 进行聚类分析的一个示例：

from sklearn.cluster import KMeans
import numpy as np

# 生成随机数据
X = np.random.rand(100, 2)

# 定义 KMeans 对象，设定簇的数量为3
kmeans = KMeans(n_clusters=3)

# 训练模型
kmeans.fit(X)

# 查看聚类结果
labels = kmeans.labels_
print(labels)

在这个例子中，我们生成了一个包含100个数据点的二维数组 `X`，然后定义了一个 `KMeans` 对象并将簇的数量设定为3。接下来，我们使用 `fit` 方法对模型进行训练，并使用 `labels_` 属性获取聚类结果。

`KMeans` 类的一些常用参数包括：

- `n_clusters`：设定簇的数量。
- `init`：设定初始化簇中心的方法，可以是随机初始化或基于数据的初始化。
- `max_iter`：设定最大迭代次数。
- `n_init`：设定随机初始化的次数，以克服随机初始化的影响。
- `tol`：设定收敛阈值，即聚类中心的变化小于该值时停止迭代。
- `random_state`：设定随机数种子。

`KMeans` 类还提供了一些其他方便的方法，如 `transform` 方法可以将输入数据转换为距离最近的簇中心的距离，`predict` 方法可以预测新数据所属的簇，`fit_transform` 方法可以同时进行训练和转换等。