参数名称

默认值及输入类型

参数解释

algorithm

默认：Auto

有auto、full和elkan三种选择。

algorithm: 优化算法的选择，有auto、full和elkan三种选择。

1. full就是一般意义上的K-Means算法，
2. elkan是使用的elkan K-Means算法。
3. auto则会根据数据值是否是稀疏的(稀疏一般指是有大量缺失值)，来决定如何选择full和elkan。如果数据是稠密的，就选择elkan K-means，否则就使用普通的Kmeans算法。

copy_x

True

主要起作用于提前计算距离的情况，如果是True,则表示在源数据的副本上提前计算距离时，不会修改源数据。

init

默认值为‘k-means++’ 有三个可选值：‘k-means++’、‘random’、或者传递一个ndarray向量。

1. (1)‘k-means++’ 用一种特殊的方法选定初始质心从而能加速迭代过程的收敛

（1）、从输入的数据点集合（要求有k个聚类）中随机选择一个点作为第一个聚类中心；（2）、对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)；（3）、选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；（4）、重复2和3直到k个聚类中心被选出来

1. (2)‘random’ 随机从训练数据中选取初始质心。
2. (3)如果传递的是一个ndarray，则应该形如 (n_clusters, n_features) 并给出初始质心。

max_iter

默认值为300 int型，

最大迭代数。

n_clusters

默认为8    int型

生成的聚类数，

n_init

默认值为10

int型

用不同的聚类中心初始化值运行算法的次数，最终解是在inertia意义下选出的最优结果。

n_jobs

int型。

指定计算所用的进程数。内部原理是同时进行n_init指定次数的计算。

1. -1，则用所有的CPU进行运算。
2. 若值为1，则不进行并行运算

1. 若值小于-1，为-2，则用到的CPU数为总CPU数减1。

precompute_distances

默认值是auto

 auto,True,False三个参数值可选

是否需要提前计算距离

如果选择auto，当样本数*质心数>12兆的时候，就不会提前进行计算，如果小于则会与提前计算。提前计算距离会让聚类速度很快，但是也会消耗很多内存。

random_state

默认值为numpy.RandomState 类型，

还可以选择int型

用于初始化质心的生成器（generator）。如果值为一个整数，则确定一个seed。

tol

1e-4

float型，容忍的最小误差，当误差小于tol就会退出迭代，与inertia结合来确定收敛条件。

verbose

默认为0

是否输出详细信息，