我试图在每个质心周围画一个圆，圆的半径延伸到每个聚类中最远的点。现在我的圆的半径是延伸到整个训练数据集中离聚类中心最远的点。

这是我的代码：

def KMeansModel(n):    pca = PCA(n_components=2)    reduced_train_data = pca.fit_transform(train_data)    KM = KMeans(n_clusters=n)    KM.fit(reduced_train_data)    plt.plot(reduced_train_data[:, 0], reduced_train_data[:, 1], 'k.', markersize=2)    centroids = KM.cluster_centers_    # 以红色X标记质心    plt.scatter(centroids[:, 0], centroids[:, 1],                marker='x', color='r')    for i in centroids:        print np.max(metrics.pairwise_distances(i, reduced_train_data))        plt.gca().add_artist(plt.Circle(i, np.max(metrics.pairwise_distances(i, reduced_train_data)), fill=False))    plt.show()out = [KMeansModel(n) for n in np.arange(1,16,1)]

回答：

当你执行

metrics.pairwise_distances(i, reduced_train_data)

你计算的是所有训练点的距离，而不是仅计算相关类别的训练点的距离。为了找到训练数据中对应类别ind的点的索引，你可以这样做

np.where(KM.labels_==ind)[0]

因此，在for循环中

for i in centroids:

你需要访问特定类别的训练点。这样做可以解决问题：

from sklearn.decomposition import PCAfrom sklearn.cluster import KMeansfrom sklearn import metricsimport matplotlib.pyplot as pltimport numpy as npdef KMeansModel(n):    pca = PCA(n_components=2)    reduced_train_data = pca.fit_transform(train_data)    KM = KMeans(n_clusters=n)    KM.fit(reduced_train_data)    plt.plot(reduced_train_data[:, 0], reduced_train_data[:, 1], 'k.', markersize=2)    centroids = KM.cluster_centers_    # 以红色X标记质心    plt.scatter(centroids[:, 0], centroids[:, 1],                marker='x', color='r')    for ind,i in enumerate(centroids):        class_inds=np.where(KM.labels_==ind)[0]        max_dist=np.max(metrics.pairwise_distances(i, reduced_train_data[class_inds]))        print(max_dist)        plt.gca().add_artist(plt.Circle(i, max_dist, fill=False))    plt.show()out = [KMeansModel(n) for n in np.arange(1,16,1)]

这是我使用上述代码得到的一个图形：