sklearn機器學習：K-Means之提前停止迭代

重要參數max_iter & tol：讓迭代停下來

之前描述K-Means的基本流程時我們提到過，當質心不再移動，K-Means算法就會停下來。但在完全收斂之前，我們也可以使用max_iter，最大迭代次數，或者tol，兩次迭代間Inertia下降的量，這兩個參數來讓迭代提前停下來。有時候，當我們的n_clusters選擇不符合數據的自然分佈，或者爲了業務需求，必須要填入與數據的自然分佈不合的n_clusters，提前讓迭代停下來反而能夠提升模型的表現。
max_iter：
整數，默認300
單次運行K-Means允許的最大迭代次數
tol:
浮點數，默認1e-4
兩次迭代間Inertia下降的量，如果兩次迭代之間Inertia下降的值小於tol所設定的值，迭代就會停下
再次使用我們在博文《sklearn機器學習:K-Means》中建立的各向同性高斯團簇的數據點集：

random = KMeans(n_clusters=4,init='random',max_iter=1,
               random_state=420).fit(X)
y_pred = random.labels_
silhouette_score(X,y_pred)

0.649675191871833

#max_iter默認值300
random = KMeans(n_clusters=4,init='random',
               random_state=420).fit(X)
y_pred = random.labels_
silhouette_score(X,y_pred)

0.6505186632729437

可見，適當的max_iter提前讓迭代停下來反而能夠提升模型的表現。