Python，Scikit learn，K-means：参数n_init实际上做什么？

我是Python的初学者。现在，我试图理解参数n_init来自什么

从文件中：

n_init:int，默认值：10

使用不同质心种子运行k-means算法的时间。就惯性而言，最终结果将是n_init连续运行的最佳输出

起初，我认为这意味着代码运行的时间，直到我找到这个，我意识到这就是max_iter所做的

---

参数n_init到底做什么？我真的不明白。

在K-中，质心的初始位置在它的收敛中起着非常重要的作用。有时，初始质心的放置方式是，在K-均值聚类的连续迭代过程中，聚类持续发生剧烈变化，甚至在可能出现收敛条件之前，

max_iter

，我们留下了不正确的聚类。因此，在这种情况下获得的簇可能不正确。为了克服这个问题，引入了这个参数。

n_iter

的值基本上决定了算法应该使用多少组不同的随机选择的质心。对于每一组不同的点，都会对簇移动的距离进行比较，即如果簇移动的距离小于我们最接近地面真相/最佳解决方案的可能性。返回提供最佳性能的点及其各自的运行以及所有集群标签

如果您感兴趣，还可以查看专门为解决此问题而设计的

---

你也可以看看初始质心的问题。

在K-中，质心的初始位置在其收敛中起着非常重要的作用。有时，初始质心的放置方式是，在K-均值聚类的连续迭代过程中，聚类持续发生剧烈变化，甚至在可能出现收敛条件之前，

max_iter

，我们留下了不正确的聚类。因此，在这种情况下获得的簇可能不正确。为了克服这个问题，引入了这个参数。

n_iter

的值基本上决定了算法应该使用多少组不同的随机选择的质心。对于每一组不同的点，都会对簇移动的距离进行比较，即如果簇移动的距离小于我们最接近地面真相/最佳解决方案的可能性。返回提供最佳性能的点及其各自的运行以及所有集群标签

如果您感兴趣，还可以查看专门为解决此问题而设计的

---

您还可以了解初始质心的重要性。

由于起点是随机的，

n_init

说明了算法应该使用多少不同的随机点集。然后根据惯性（运行结束时algo移动得多么少-小步-->接近最佳解决方案）给出最佳运行。它将随机多次初始化群集的质心。根据质心的初始值，形成的簇可能不同。由于起始点是随机的，

n_init

说明了算法应使用多少组不同的随机点。然后根据惯性（运行结束时algo移动得多么少-小步-->接近最佳解决方案）给出最佳运行。它将随机多次初始化群集的质心。根据质心的初始值，形成的簇可能不同。如果有人使用

n_init=10

和

random_state=1234

，则答案没有意义。如何随机初始化具有固定

随机_状态的10倍质心？@serafeim它基本上意味着统一选择10*（质心数量），随机状态设置为1234。这有助于清除您的查询吗？如果有人使用
n_init=10
和
random_state=1234
，则答案没有意义。如何随机初始化具有固定
随机_状态的10倍质心？@serafeim它基本上意味着统一选择10*（质心数量），随机状态设置为1234。这有助于清除您的查询吗？