python kmeans 入参

KMeans 是一种常用的聚类算法，它将数据集分成 K 个簇，每个数据点属于距离最近的簇中心所代表的簇。在 Python 中，使用 k-means 算法通常会用到一些库，比如 scikit-learn。下面是使用 scikit-learn 库中 KMeans 类的一个简单示例：

from sklearn.cluster import KMeans

# 假设有一组数据 points
points = [[1, 2], [1, 4], [1, 0],
          [10, 2], [10, 4], [10, 0]]

# 创建一个 KMeans 实例，这里我们指定要分成的簇的数量为 2
kmeans = KMeans(n_clusters=2)

# 使用 fit 方法来拟合数据，即执行 k-means 聚类
kmeans.fit(points)

# 预测新的数据点所属的簇
new_samples = [[0, 0], [12, 3]]
predictions = kmeans.predict(new_samples)

# 获取簇中心点
centers = kmeans.cluster_centers_

在 scikit-learn 的 KMeans 类中，主要的入参有：

1. `n_clusters`：要分成的簇的数量，也就是 K 的值。
2. `init`：用于初始化簇中心的方法，可以是'k-means++'，'random' 或者一个数据数组。
3. `n_init`：运行算法的次数，每次使用不同的随机中心点初始化。
4. `max_iter`：每个初始化的最大迭代次数。
5. `tol`：收敛的容忍度，即算法停止前连续两次迭代之差小于该值。
6. `precompute_distances`：是否预先计算距离，可以是布尔值或者字符串。
7. `verbose`：是否打印进度信息。
8. `random_state`：控制随机性，确保每次运行结果一致。
9. `copy_x`：是否将数据复制到聚类过程中。
10. `algorithm`：使用的算法，有 'auto', 'full', 'elkan' 可选。