Python KMeans在sklearn中不返回可重复的结果，甚至修复随机_状态

下面的代码测试了几个n_集群的KMeans，并试图通过惯性准则找到“最佳”n_集群。然而，它是不可复制的：即使固定随机_状态，每次我在同一数据集上调用kmeans（df）时，它都会生成不同的聚类，甚至不同的n_聚类。我是不是遗漏了什么

from sklearn.cluster import KMeans
from tqdm import tqdm_notebook

def kmeans(df):
    inertia = []
    models = {}
    start = 3
    end = 40
    for i in tqdm_notebook(range (start, end)):
        k = KMeans(n_clusters=i, init='k-means++', n_init=50, random_state=10, n_jobs=-1).fit(df.values)        
        inertia.append(k.inertia_)
        models[i] = k
    ep = np.argmax(np.gradient(np.gradient(np.array(inertia)))) + start
    return models[ep]

---

它并不总是一样的，这是这个算法的自然方式…，如果你的结果变化更大，那么这意味着它们可能不是可聚类的

gradient（gradient（

是实现已经很差且不可靠的肘部标准的一种糟糕且不可靠的方法。请不要这样做。特别是，不要重复检查您的结果。@PV8他设置了

随机状态，因此它应该是确定的。错误可能在其他地方，例如数据集准备。我不确定错误在数据中设置准备，正如@Anony Mousse所建议的。就像我在问题上说的，“每次我在同一个数据集上调用kmeans（df）（…）。”它并不总是一样的，这是这个算法的自然方式…，如果你的结果变化更大，那么这意味着它们可能不是可聚类的
gradient（gradient（
是实现已经很差且不可靠的肘部标准的一种糟糕且不可靠的方法。请不要这样做。特别是，不要重复检查您的结果。@PV8他设置了
随机状态，因此它应该是确定的。错误可能在其他地方，例如数据集准备。我不确定错误在数据中正如@anonymousse所建议的，设置准备。就像我在我的问题上说的，“每次我调用同一数据集上的kmeans（df）（…）。”