初始质心决定K-Means落入哪个局部最优，因目标函数WCSS非凸、存在大量局部极小点；k-means++通过距离平方加权采样提升质心分散性，而random初始化易导致质心聚集、空簇及离群点干扰；n_init仅增加运行次数，不解决数据结构不适配或预处理缺失的根本问题。
初始质心决定算法落入哪个局部最优
K-Means优化的目标函数 wcss 是非凸的，数学上存在大量局部极小点（数量级约 o(kⁿ)），而标准Lloyd算法只保证收敛到“某个”局部最优，不保证是全局最优。初始质心的位置直接决定了迭代过程落入哪个“吸引域（basin of attraction）”。比如在电商用户分群中，一次初始化让质心落在高价值用户密集区，另一次落在低活跃用户边缘，最终划分出的“高价值沉默用户”簇规模可能从82人骤降至17人——这不是随机波动，而是被不同局部最优捕获的结果。
init='random' 与 init='k-means++' 的实际差异
用 sklearn 默认参数跑 KMeans(n_clusters=5)，底层实际调用的是 init='k-means++'（注意：sklearn 1.0+ 版本已将默认值从 'random' 改为 'k-means++'）。但如果你显式写成 init='random'，就会触发纯随机采样：
- 多个初始质心可能挤在同一个数据稠密区，导致后续迭代无法展开有效划分
- 对离群点敏感：一个异常值被偶然选为质心，会拉偏整个簇的更新方向
- 空簇风险升高：实测在UCI Wine数据集上，
n_init=1且init='random'时，空簇发生率达12.7%
而 k-means++ 通过距离平方加权采样，强制拉开质心间距，显著降低陷入劣质局部最优的概率。
n_init 不是“多跑几次就稳了”的万能解
n_init 控制独立初始化并运行的次数，默认为10，但它只解决“单次运行不可靠”问题，不解决“所有初始化都可能失效”的本质缺陷：
立即学习“Python免费学习笔记（深入）”；
- 若数据本身结构模糊（如重叠严重的高斯混合），即使
n_init=100，所有结果的轮廓系数仍可能在 [0.31, 0.79] 间大幅震荡 - 每次运行耗时叠加：高维数据（如200+维用户行为）下，
n_init增大会线性拖慢训练 - 它不改变算法对球形簇、欧氏距离的固有依赖——非凸分布或量纲差异大的特征仍会崩坏
真正关键的是先确认数据是否适合 K-Means：做 PCA 降维后观察散点图，或用 make_blobs 生成对照数据验证 pipeline 是否正常。
容易被忽略的预处理放大效应
初始质心敏感问题常被误认为纯算法问题，其实标准化缺失会指数级加剧它：
- 未做
StandardScaler时，数值量纲大的特征（如“年消费额” vs “登录频次”）主导距离计算，质心更新完全被单一维度绑架 - 离群点未清洗，
k-means++的概率采样反而更容易选中它们——因为D(x)²在远离主群区域值极大 - 类别型变量直接编码后参与聚类，欧氏距离失去意义，初始质心位置再优也无济于事
所以看到聚类结果抖动，第一反应不该是调 n_init，而是检查 StandardScaler().fit_transform(X) 是否真的执行了，以及输入 X 里有没有混入非数值列。
