用于kmeans聚类算法调参的代码

以下是一个用于K-means聚类算法调参的代码示例：

from sklearn.metrics import silhouette_score

# 假设你有一个数据集X

# 初始化参数列表
k_values = [2, 3, 4, 5, 6]
silhouette_scores = []

# 循环尝试不同的k值
for k in k_values:
    # 创建KMeans对象
    kmeans = KMeans(n_clusters=k)
    
    # 对数据进行聚类
    kmeans.fit(X)
    
    # 计算轮廓系数
    score = silhouette_score(X, kmeans.labels_)
    
    # 将轮廓系数添加到列表中
    silhouette_scores.append(score)

# 找到最佳的k值
best_k = k_values[silhouette_scores.index(max(silhouette_scores))]

# 输出最佳的k值
print("Best k value:", best_k)

这段代码使用了scikit-learn库中的KMeans类和silhouette_score函数。它通过循环尝试不同的k值，并计算每个k值对应的轮廓系数。最后，它选择具有最高轮廓系数的k值作为最佳的k值。