kmeans 的“损失函数”，打了个引号，说明不太严谨，类似逻辑回归的损失函数
n_clusters参数，即KMeans的k，默认为8，一般想要小于8的类，如果数据可以可视化，先可视化，然后选择k，这里用make_blobs创建数据，返回特征矩阵X和标签y，make_blobs(n_samples,n_features,)，画子图，plt.subplot() 参数是生成几个子图，返回时画布和对象，记为fig和ax1，对ax1填充scatter散点图，
kmeans的predict，在数据量大时使用，比如50w行数据，先用2000行数据fit迭代出一个较好的聚类模型，再把剩余数据predict出聚类结果。inertia 整体平方和，对不同的簇找出质心，
KMeans聚类的矢量量化 本质是一种降维运用，但它与我们之前学过的任何一种降维算法的思路都不相同。特征选择的降维是直接选取对模 型贡献最大的特征，PCA的降维是聚合信息，而矢量量化的降维是在同等样本量上压缩信息的大小，即不改变特征 的数目也不改变样本的数目，只改变在这些特征下的样本上的信息量。
原理
这是最基础的聚类算法，首先说聚类算法，是无监督学习，没有标签。KMeans算法将一组N个样本的特征矩阵X划分为K个无交集的簇，直观上来看是簇是一组一组聚集在一起的数据，在一个簇中的数据就认为是同一类。簇就是聚类的结果表现。 簇中所有数据的均值通常被称为这个簇的“质心”（centroids）。在一个二维平面中，一簇数据点的质心的横坐标就是这一簇数据点的横坐标的均值，质心的纵坐标就是这一簇数据点的纵坐标的均值。同理可推广至高维空间。
在KMeans算法中，簇的个数K是一个超参数，需要我们人为输入来确定。KMeans的核心任务就是根据我们设定好的K，找出K个最优的质心，并将离这些质心最近的数据分别分配到这些质心代表的簇中去。具体过程可以总结如下：
| 随机抽取K个样本作为最初的质心 |
|---|
| 开始循环 |
| 将每个样本点分配到离他们最近的质心，生成K个簇 |
| 对于每个簇，计算所有被分到该簇的样本点的平均值作为新的质心 |
| 当质心的位置不再发生变化，迭代停止，聚类完成 |
KMeans属性
| 属性 | 解释 |
|---|---|
| cluster_centers_ | 质心 |
| labels_ | 每个样本对应的标签 |
| inertia_ | 簇内平方和 一个簇中所有样本点到质心的距离的平方和为 而将一个数据集中的所有簇的簇内平方和相加就得到了整体平方和 |
| n_inter_ | 迭代次数 |
聚类模型评估指标
其实在现实数据，要聚类的业务数据没有标签，倘若有一批有标签的数据不使用监督学习中的分类，偏要进行聚类，那么评估使用互信息分，V-measure，兰德系数。
接下来是真实标签未知，可采用轮廓洗系数和卡林斯基-哈拉巴斯，后者比前者计算速度快。
轮廓系数分为对样本silhouette_samples和对整体silhouette_score。
初始质心
这涉及到参数init，random_state，n_init，