聚类

1. 模型的一些通用方法：

   • get_params([deep])：返回模型的参数。

     • deep： 如果为True，则可以返回模型参数的子对象。

   • set_params(**params)：设置模型的参数。

     • params：待设置的关键字参数。

   • fit(X[, y, sample_weight]) ：训练模型。

     • X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y ：样本的标签集合。它与X 的每一行相对应。
     • sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

   • predict(X, sample_weight)：返回每个样本所属的簇标记。

     • X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

   • fit_predict(X[, y, sample_weight]) ：训练模型并执行聚类，返回每个样本所属的簇标记。

     • X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y ：样本的标签集合。它与X 的每一行相对应。
     • sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

   • transform(X)：将数据集 X 转换到cluster center space 。

     在cluster center space 中，样本的维度就是它距离各个聚类中心的距离。

     • X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。

   • fit_transform(X[, y, sample_weight])：训练模型并执行聚类，将数据集 X 转换到cluster center space 。

     • X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
     • y ：样本的标签集合。它与X 的每一行相对应。
     • sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

2. 模型的一些通用参数：

   • n_jobs：一个正数，指定任务并形时指定的 CPU数量。

     如果为 -1 则使用所有可用的 CPU。

   • verbose：一个正数。用于开启/关闭迭代中间输出日志功能。

     • 数值越大，则日志越详细。
     • 数值为0或者None，表示关闭日志输出。

   • max_iter ：一个整数，指定最大迭代次数。

     如果为None则为默认值（不同solver的默认值不同）。

   • tol：一个浮点数，指定了算法收敛的阈值。

   • random_state：一个整数或者一个RandomState实例，或者None。

     • 如果为整数，则它指定了随机数生成器的种子。
     • 如果为RandomState实例，则指定了随机数生成器。
     • 如果为None，则使用默认的随机数生成器。