Python 的 k 均值执行给定的迭代次数 （n_init），以找到算法在惯性方面的最佳输出。我知道 k 均值的工作原理，但我的问题是：如何测量最佳输出？收敛之前需要的迭代次数？惯性术语是什么意思？
文档指出，k-means 算法运行n_init时间，然后获得的结果返回惯性最小的算法：
n_init：int，默认值：10k-means算法将使用不同的算法运行的时间数 质心种子。最终结果将是
n_init的最佳输出 在惯性方面连续运行。
惯性在本文档页面中定义，只是意味着计算集群内的平方和，即这意味着它将返回找到的集群中更紧凑的集群。
具体而言，它指出：
k 均值算法将一组
N样本X划分为K不相交簇C，每个簇μ由 群集中的示例。均值通常称为聚类 质心;请注意，它们通常不是来自X点，尽管它们位于同一空间中。K均值算法旨在 选择使惯性最小化的质心，或簇内和 平方准则：∑i=0 到 n 分钟μj ∈ C（||xj - μi||2）惯性或聚类内的平方和准则可以是 被认为是衡量集群内部一致性的指标。它 有各种缺点：
- 惯性假设簇是凸的和各向同性的，但情况并非总是如此。它对 细长的簇，或具有不规则形状的歧管。
- 惯性不是一个规范化的指标：我们只知道值越低越好，零是最优的。但在非常高维的空间中， 欧几里得距离趋于膨胀（这是 所谓的"维度诅咒"）。运行维度 归约算法，例如 k 均值聚类之前的 PCA 可以 缓解此问题并加快计算速度。