如何在 r 中使用 k-means 聚类算法对未标记的数据组进行分类？

Question

我是 R 语言的新手。我有两个数据集。一个被标记为“训练”数据集（虹膜数据集），另一个是“测试”数据集，它是一个未标记的数据集。我需要对“鸢尾花”数据集进行聚类，然后使用聚类中心根据最近距离将每个测试用例放入一个聚类中，然后将每个测试用例分配给一个聚类。

set.seed(20)
pCluster <- kmeans(Trainingdata[, 3:4], 3, nstart = 20)
pCluster

上面的代码确实对“训练”数据集进行了聚类，但不知道如何使用我从上面代码中得到的中心来标记“测试”数据集。 任何帮助，将不胜感激。

Answer 1

您可以像这样从 pCluster 对象中获取中心值：

pCluster$centers

这将为您提供 Petal.Width 和 Petal.Length 的值

  Petal.Length Petal.Width
1     1.462000    0.246000
2     4.269231    1.342308
3     5.595833    2.037500

您现在可以做的是计算测试数据到中心的距离（取决于您的度量）并分配最接近的一个。

combinedMatrix = rbind(pCluster$Centers,testData[,3:4])
dist(combinedMatrix)

这为您提供了一个距离矩阵，其中包含每个点到聚类中心的距离。附带说明一下，在使用 kmeans（至少使用最常见的距离度量）时，您应该对输入数据进行归一化，否则具有高绝对值的要素会掩盖具有低绝对值的要素。

但是，我不确定您想要实现什么。 K-means 通常不以这种方式使用，即在测试和训练数据中进行拆分。

您的目标是为测试集创建分类器吗？如果是这样，有更好的方法来实现这一点。如果您想坚持距离的概念，可以查看 K-Nearest-Neighbor 算法。如果您告诉我们您的最终目标是什么，我很乐意为您提供更多指点。