## K均值聚類 > K-Means算法通過嘗試分離n個相等方差組中的樣本來聚類數據，從而最小化稱為慣性或簇內平方和的標準。該算法需要指定簇的數量。 ### 構造函數參數 `$clustersNumber` - 要查找的集群數 `$initialization` - 初始化方法，默認kmeans ++（見下文） ``` $kmeans = new KMeans(2); $kmeans = new KMeans(4, KMeans::INIT_RANDOM); ``` ***** ## 聚類 要將樣本分成簇，只需使用簇方法。它返回帶有樣本的簇數組。 ``` $samples = [[1, 1], [8, 7], [1, 2], [7, 8], [2, 1], [8, 9]]; Or if you need to keep your indentifiers along with yours samples you can use array keys as labels. $samples = [ 'Label1' => [1, 1], 'Label2' => [8, 7], 'Label3' => [1, 2]]; $kmeans = new KMeans(2); $kmeans->cluster($samples); // return [0=>[[1, 1], ...], 1=>[[8, 7], ...]] or [0=>['Label1' => [1, 1], 'Label3' => [1, 2], ...], 1=>['Label2' => [8, 7], ...]] ``` ***** ## 初始化方法 ### kmeans ++（默認） > K-means ++方法以智能方式選擇初始聚類中心進行k均值聚類，以加速收斂。它使用DASV播種方法包括為簇找到良好的初始質心。 ### 隨機 隨機初始化方法選擇完全隨機的質心。它獲得空間邊界以避免將聚類質心放置在遠離樣本數據的位置。