k-means++更可靠，因其通过距离平方加权概率选点强制质心分散，避免随机初始化导致的质心扎堆和局部最优；实测收敛迭代减少30%–50%，结果稳定性显著提升。

K-Means对初始质心敏感是真实存在的问题，不是参数调得不够细导致的——它本质是算法数学性质决定的，必须从初始化策略入手解决。

为什么k-means++比random初始化更可靠？

随机初始化（init='random'）会从数据中无差别抽点，一旦抽到异常值或密集子区域内的点，质心就“扎堆”，后续迭代大概率卡在局部最优。而k-means++强制质心分散：第一个点随机选，之后每个新质心都以与已有质心距离的平方为权重概率采样，天然避开已覆盖区域。

• 实际效果上，k-means++通常让inertia_（簇内平方和）下降更快，收敛迭代次数减少 30%–50%
• 它不保证全局最优，但大幅降低“一次运行就崩”的概率；多次运行时结果波动明显变小
• 注意：k-means++是scikit-learn默认初始化方式（init='k-means++'），但很多人没意识到自己其实已经在用它

什么时候该设n_init > 1？

n_init控制算法重复运行次数，并从中挑inertia_最小的一次作为最终结果。它和初始化策略是正交的：即使用了k-means++，单次运行仍可能因第一步随机性而不够好。

• 默认n_init=10，对中小规模数据（n_samples ）够用；若发现聚类结果每次差异大，可提到<code>20或30
• 设n_init太高会拖慢速度，尤其当n_clusters较大或数据维数高时，建议先用timeit测下单次耗时再权衡
• 不要设n_init=1还指望稳定——除非你手动传入确定的init数组，否则就是在赌运气

手动指定初始质心有哪些坑？

手动传init数组（如init=centroids_array）看似最可控，但极易引入隐性错误：

Secure Python Code Sandbox

安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。

下载

立即学习“Python免费学习笔记（深入）”；

• 数组形状必须严格为(n_clusters, n_features)，少一维或多一维都会报ValueError: init.shape[0] must be equal to n_clusters
• 质心坐标必须落在数据实际取值范围内，比如用MinMaxScaler归一化后训练，却把原始尺度的坐标当初始值传进去，会导致距离计算失真
• 如果某手动质心恰好对应一个空簇（即没有任何点被分配到它），scikit-learn默认会重采样替换，但这个过程不可控，反而破坏你的预设逻辑

异常点特别多时，光靠k-means++还不够

当数据含明显离群点（如财务流水里的极端交易额、传感器读数中的尖峰噪声），k-means++仍可能把它们当成候选质心——因为它的距离加权机制只看几何远近，不区分是否属于主体分布。

• 更稳妥的做法是：先用IsolationForest或LocalOutlierFactor做一轮粗筛，剔除或缩放异常点，再跑KMeans
• 或者换用对异常点鲁棒的替代算法，比如DBSCAN或MeanShift，它们不依赖质心，自然绕开这个问题
• 若必须用KMeans，可尝试在fit()前对特征做RobustScaler而非StandardScaler，减弱异常值对距离计算的影响

真正容易被忽略的是：初始化策略和数据预处理必须协同考虑。比如做了标准化却忘了在初始化质心时同步变换，或者用了k-means++却把n_init设成1，这些细节组合起来，比单个参数错配更难排查。