我有以下问题：
现在，鉴于两个数据集之间的相似性，我想稍微“破解”它们并“匹配”算法找到的集群之间的标签。
例如：
在数据集 A 中，我发现了一个质心在位置 (1, 1) 的簇，并且算法分配了标签 0 到该簇中的所有点。数据集中还有另一个簇，这次由质心 (2, 2) 和标签 1
标识在数据集 B 中，我有类似形状的集群，但是标签 0 现在与质心 (1.4, 1.1) 的集群相关联 strong> 而 1 与位置 (2.1, 1.9)
的簇相关联这种变化是为了强调质心在不同集群中的位置因数据集而异。
我想找到一种方法来重新标记这些段，使得在数据集 B 中，属于具有更接近 (1, 1) 的质心的集群的所有点都将具有相同的标签（对于其他可能的集群）。
有什么想法吗？
提前非常感谢，请原谅我的英语（不是母语）。
保罗
【问题讨论】：
可以使用其中一个特征的平均值来获取集群标签。我们可以通过切换输入的顺序来强制 kmeans 产生乱序的标签。在第二个示例中，我交换了数组位置，并将 feature1 增加了 10 倍。
我们可以在 pandas 中使用此功能的平均值以及 .rank() 来解决问题。如果您的均值不太清楚，或者您有很多特征，这当然可能更具挑战性。无论如何，这也许可以为您指明正确的方向。
from sklearn.cluster import KMeans
import numpy as np
import pandas as pd
X = np.array([[1, 2], [1, 4], [1, 0],
[10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
df = pd.DataFrame(X, columns=['feature1','feature2'])
df['cluster'] = kmeans.labels_
df['rank'] = df.cluster.map(df.groupby('cluster')['feature1'].mean().rank()-1)
print(df)
在此输出中，我们看到排名交换了集群的顺序，因为集群 1 的特征 1 均值较小。
feature1 feature2 cluster rank
0 1 2 1 0.0
1 1 4 1 0.0
2 1 0 1 0.0
3 10 2 0 1.0
4 10 4 0 1.0
5 10 0 0 1.0
在第二个示例中，较小的均值已经是集群零，因此排名与集群匹配。
X = np.array([[100, 2], [100, 4], [100, 0],
[10, 2], [10, 4], [10, 0]
])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
df2 = pd.DataFrame(X, columns=['feature1','feature2'])
df2['cluster'] = kmeans.labels_
df2['rank'] = df2.cluster.map(df2.groupby('cluster')['feature1'].mean().rank()-1)
print(df2)
feature1 feature2 cluster rank
0 100 2 1 1.0
1 100 4 1 1.0
2 100 0 1 1.0
3 10 2 0 0.0
4 10 4 0 0.0
5 10 0 0 0.0
【讨论】：
一种方法是计算每个数据集中质心之间的点积。 您可以使用如下算法
for a in dsA.centroids:
b = argmin(dot(a,dsB.centroids)
# Relabel points in b to match label A
dsB.centroids.remove(b)
重新标记数据点时需要小心。这样做时，您需要注意不要分配属于您尚未重新标记的数据集的标签。有多种简单的方法可以避免这种破坏。最好的方法取决于您在聚类算法中使用的确切数据结构
【讨论】：