聚类初始质心的选择看似微不足道，却直接影响K-Means算法的最终收敛质量。实际上，K-Means对初始质心敏感并非因为参数调参不到位——其根源在于算法本身的数学特性，因此必须从初始化策略入手才能根本解决。

K-Means对初始质心敏感确实是实际难题，而非参数调节不足所致——其本质源于算法数学特性，因此必须从初始化策略层面寻求解决方案。

为什么k-means++初始化方式比random更稳定？

随机初始化（init='random'）从数据中无差别抽取初始点，一旦选到异常值或密集子区域内的样本，质心容易“扎堆”，导致后续迭代大概率陷入局部最优。相比之下，k-means++强制质心分散：第一个点随机选取后，后续每个新质心以与已有质心距离的平方为权重进行概率采样，天然避开已覆盖区域。

• 实际效果上，k-means++能显著加快inertia_（簇内平方和）的下降速度，通常可减少30%–50%的收敛迭代次数
• 虽然k-means++不保证全局最优，但能大幅降低单次运行失败的概率；多次运行结果波动明显变小
• 注意：k-means++是scikit-learn默认初始化方式（init='k-means++'），但许多用户并未意识到自己正在使用它

何时需要设置n_init > 1？

n_init参数控制算法重复运行的次数，并从中选取inertia_最小的结果作为最终输出。它与初始化策略相互独立：即便使用了k-means++，单次运行仍可能因初始随机性而不够理想。

• 默认n_init=10对于中小规模数据（n_samples < 10000）通常足够；若发现聚类结果每次运行差异较大，可以提高到20或30
• 设置过高的n_init会拖慢执行速度，尤其在n_clusters较大或数据维度较高时，建议先用timeit测算单次耗时再作权衡
• 不要期望n_init=1能带来稳定结果——除非手动传入确定的init数组，否则完全依赖运气

手动指定初始质心时有哪些常见陷阱？

手动传递init数组（例如init=centroids_array）看似最可控，但实际上极易引入隐性错误：

• 数组形状必须严格为(n_clusters, n_features)，维度不匹配会触发ValueError: init.shape[0] must be equal to n_clusters错误
• 质心坐标必须落在数据实际取值范围内。例如，使用MinMaxScaler归一化后训练，却将原始尺度的坐标作为初始值传入，会导致距离计算失真
• 若某个手动指定的质心恰好对应空簇（即没有任何点被分配到该簇），scikit-learn默认会进行重采样替换，但这一过程不可控，反而破坏预设逻辑

异常点较多时，仅靠k-means++可能不够

当数据中包含明显离群点（例如财务流水中的极端交易额、传感器读数中的尖峰噪声），k-means++仍可能将这些点选为候选质心——因为其距离加权机制仅考虑几何远近，不区分是否属于主体分布。

• 更稳妥的做法是：先用IsolationForest或LocalOutlierFactor进行一轮粗筛，剔除或缩放异常点，然后再运行KMeans
• 或者改用对异常点更鲁棒的替代算法，例如DBSCAN或MeanShift，它们不依赖质心，自然避免此问题
• 如果必须使用KMeans，可尝试在fit()前对特征应用RobustScaler而非StandardScaler，以减弱异常值对距离计算的影响

真正容易被忽视的是：初始化策略与数据预处理必须协同考虑。例如，进行了标准化却忘记在初始化质心时同步变换，或者使用了k-means++却将n_init设为1，这些细节的组合比单个参数设置错误更难排查。