#class sklearn.cluster.KMeans(n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, precompute_distances=’auto’, verbose=0, random_state=None, copy_x=True, n_jobs=1, algorithm=’auto’)
#参数：
#（1）对于K均值聚类，我们需要给定类别的个数n_cluster，默认值为8；
#（2）max_iter为迭代的次数，这里设置最大迭代次数为300；
#（3）n_init设为10意味着进行10次随机初始化，选择效果最好的一种来作为模型；
#（4）init=’k-means++’ 会由程序自动寻找合适的n_clusters；
#（5）tol：float形，默认值= 1e-4，与inertia结合来确定收敛条件；
#（6）n_jobs：指定计算所用的进程数；
#（7）verbose 参数设定打印求解过程的程度，值越大，细节打印越多；
#（8）copy_x：布尔型，默认值=True。当我们precomputing distances时，将数据中心化会得到更准确的结果。如果把此参数值设为True，则原始数据不会被改变。如果是False，则会直接在原始数据上做修改并在函数返回值时将其还原。但是在计算过程中由于有对数据均值的加减运算，所以数据返回后，原始数据和计算前可能会有细小差别。
#属性：
#（1）cluster_centers_：向量，[n_clusters, n_features]
# Coordinates of cluster centers (每个簇中心的坐标？？)；
#（2）Labels_:每个点的分类；
#（3）inertia_：float，每个点到其簇的质心的距离之和。
