Python 使用sklearn KMeans与SciPy KMeans相比有什么优势吗？

根据

类sklearn.cluster.KMeans（n_clusters=8，init='k-means++'， n_init=10，max_iter=300，tol=0.0001，预计算距离为自动， 详细=0，随机状态=None，复制=True，n_作业=1）

及

scipy.cluster.vq.kmeans（obs，k_或k_guess，iter=20，thresh=1e-05， 检查（有限=真）

很明显，参数的数量不同，可能更多的参数可供sklearn使用

---

你们中有没有人试过一种方法与另一种方法相比，在分类问题中，你们是否更愿意使用其中一种方法？

基准测试

---

而且你再也不会碰这个小玩意儿了。

如果不试一下，我总是更喜欢sklearn。更好的文档（包括用户指南）和更多您可能会使用的工具，如交叉验证/网格搜索。但这只是我的观点。scipy实现让您可以选择设置自己的质心，这很好。还要注意的是，对于大多数应用程序，您都希望使用，而不是您引用的应用程序。除此之外，我也说不上来。似乎很难相互比较——SciPy的参数与sklearn的参数并不完全匹配：例如，sklearn的默认初始化次数为n=10，而在SciPy中则不明确。使用100个质心作为两个参数和其他参数的默认值，SciPy速度更快，但这并不意味着更好。禁用所有附加参数

n_init=1

，

tol=thresh=0

，

max_iter=iter=100000

（您想要的是最终结果，而不是临时结果）。使用大型数据集。