手写KMeans如果要调参的话，调哪些参数，写出代码

手写KMeans需要调整的参数包括聚类的数量k，初始化质心的方法，以及停止迭代的条件等。下面是一个简单的KMeans实现，其中包含了一些可调参数的默认值：

import numpy as np

class KMeans:
    def __init__(self, n_clusters=8, max_iter=300, tol=1e-4, init_method='random'):
        self.n_clusters = n_clusters
        self.max_iter = max_iter
        self.tol = tol
        self.init_method = init_method

    def fit(self, X):
        # 初始化质心
        if self.init_method == 'random':
            self.centroids = X[np.random.choice(len(X), self.n_clusters, replace=False)]
        elif self.init_method == 'kmeans++':
            self.centroids = [X[np.random.choice(len(X))]]
            for i in range(self.n_clusters - 1):
                distances = np.array([np.min([np.linalg.norm(x-c)**2 for c in self.centroids]) for x in X])
                probs = distances / np.sum(distances)
                self.centroids.append(X[np.random.choice(len(X), p=probs)])
        else:
            raise ValueError('Invalid init_method')
        
        for i in range(self.max_iter):
            # 计算每个样本属于哪个聚类
            labels = np.argmin(np.linalg.norm(X[:, np.newaxis] - self.centroids, axis=2), axis=1)
            # 更新质心
            new_centroids = np.array([X[labels == j].mean(axis=0) for j in range(self.n_clusters)])
            # 判断是否收敛
            if np.linalg.norm(new_centroids - self.centroids) < self.tol:
                break
            self.centroids = new_centroids

其中，可以调整的参数包括：

- `n_clusters`：聚类的数量，默认为8。
- `max_iter`：最大迭代次数，默认为300。
- `tol`：停止迭代的阈值，当新旧质心之间的距离小于该值时停止迭代，默认为1e-4。
- `init_method`：初始化质心的方法，可以是'random'（随机选择数据点作为质心）或'kmeans++'（使用KMeans++算法选择质心），默认为'random'。

例如，如果要将聚类数量调整为10，可以这样使用：

kmeans = KMeans(n_clusters=10)
kmeans.fit(X)