Question

1. MeanShift 是scikit-learn提供的一种密度聚类模型。其原型为：

   
   xxxxxxxxxx
   class sklearn.cluster.MeanShift(bandwidth=None, seeds=None, bin_seeding=False,
   min_bin_freq=1, cluster_all=True, n_jobs=None)

   • bandwidth：一个浮点数，指定带宽参数。

     如果未指定，则通过sklearn.cluster.estimate_bandwith() 函数来自动计算。

   • seeds：一个形状为[n_samples,n_features] 的数组，用于初始化核函数。

     如果未指定，则通过sklearn.cluster.get_bin_seeds() 函数来自动计算。

   • bin_seeding：一个布尔值。

     • 如果为True，则并不会使用所有的点来计算核函数，而是使用网格边界上的点（网格宽度为带宽）来计算。这会加速算法的执行，因为核函数的初始化需要的点大大降低。
     • 如果为False，则使用所有的点来计算核函数。

   • min_bin_freq：一个整数值，指定有效网格包含的数据点的最少数量。

     当bin_seeding=True 时，仅仅接收那些网格内包含超过min_bin_freq 个数据点的网格。

   • cluster_all：一个布尔值，指定是否对所有数据点进行聚类。

     • 如果为False，则对离群点不聚类，将离群点的簇标记设置为-1 。
     • 如果为True，则对离群点也聚类，将离群点划分到离它最近的簇中。

   • n_jobs：一个整数，指定并行度。

2. 属性：

   • claster_centers_：一个形状为[n_clusters,n_features] 的数组，给出了每个簇中心的坐标。

   • labels_：一个形状为[n_samples,] 的数组，给出了每个样本所属的簇标记。

     如果cluster_all=False，则对于离群样本，其簇标记为 -1。

3. 方法：

   • fit(X[, y])：训练模型。

   • fit_predict(X[, y])：训练模型并执行聚类，返回每个样本所属的簇标记。

   • predict(X)：对每个样本预测其簇标记。

     每个样本距离最近的簇就是该样本所属的簇。