我想获取k-means的成本（在scikit kmeans中称为inertia）。提醒一下：
成本是每个点到最近的聚类中心的平方距离之和。
我在scikit的成本计算（’inertia’）和自己简单计算成本的方法之间发现了一个奇怪的差异
请看以下示例：
p = np.random.rand(1000000,2)from sklearn.cluster import KMeansa = KMeans(n_clusters=3).fit(p)print a.inertia_ , "****"means = a.cluster_centers_s = 0for x in p: best = float("inf") for y in means: if np.linalg.norm(x-y)**2 < best: best = np.linalg.norm(x-y)**2 s += bestprint s, "*****"在我的运行中，输出结果是：
66178.4232156 ****66173.7928716 *****在我的数据集上，结果差异更大（20%的差异）。
这是scikit实现中的一个错误吗？
回答：
首先 – 这似乎不是一个错误（但确实存在明显的不一致性）。为什么会这样呢？你需要仔细查看代码实际在做什么。对于这个通用目的，它调用了_k_means.pyx中的cython代码
（第577-578行）
inertia = _k_means._assign_labels_array( X, x_squared_norms, centers, labels, distances=distances)它所做的基本上与你的代码相同，但是…在C语言中使用了双精度浮点数。所以这可能只是一个数值问题吗？让我们测试你的代码，但这次使用清晰的聚类结构（因此没有可能被分配到多个中心的点 – 这取决于数值精度）。
import numpy as npfrom sklearn.metrics import euclidean_distancesp = np.random.rand(1000000,2)p[:p.shape[0]/2, :] += 100 #我将一半的点移到很远的地方from sklearn.cluster import KMeansa = KMeans(n_clusters=2).fit(p) #改为两个聚类print a.inertia_ , "****"means = a.cluster_centers_s = 0for x in p: best = float("inf") for y in means: d = (x-y).T.dot(x-y) if d < best: best = d s += bestprint s, "*****"结果
166805.190832 ****166805.190946 *****这是有道理的。因此问题在于存在“接近边界”的样本，这些样本可能会根据算术精度被分配到多个聚类中。不幸的是，我无法准确追踪差异的来源。
有趣的是，实际上存在一个不一致性，因为inertia_字段是由Cython代码填充的，而.score调用的是NumPy的代码。因此如果你调用
print -a.score(p)你将得到你的惯性值。
