我在搞机器学习，我用 Python 编写了一个 K 均值算法实现。它采用二维数据并将它们组织成集群。每个数据点也有一个 0 或 1 的类值。
让我对算法感到困惑的是，我如何使用它来预测另一组没有 0 或 1 而是未知的二维数据的一些值。对于每个集群，我应该将其中的点平均为 0 还是 1，如果未知点最接近该集群，那么该未知点取平均值？还是有更聪明的方法？
干杯！
【问题讨论】：
标签： python machine-learning data-mining k-means prediction
要将新数据点分配给由 k-means 创建的一组集群中的一个，您只需找到离该点最近的质心。
换句话说，您用于将原始数据集中的每个点迭代分配到 k 个集群之一的步骤相同。这里唯一的区别是您用于此计算的质心是 final 集，即 last 迭代时的质心值。
这是 python 中的一个实现（使用 NumPy）：
>>> import numpy as NP
>>> # just made up values--based on your spec (2D data + 2 clusters)
>>> centroids
array([[54, 85],
[99, 78]])
>>> # randomly generate a new data point within the problem domain:
>>> new_data = NP.array([67, 78])
>>> # to assign a new data point to a cluster ID,
>>> # find its closest centroid:
>>> diff = centroids - new_data[0,:] # NumPy broadcasting
>>> diff
array([[-13, 7],
[ 32, 0]])
>>> dist = NP.sqrt(NP.sum(diff**2, axis=-1)) # Euclidean distance
>>> dist
array([ 14.76, 32. ])
>>> closest_centroid = centroids[NP.argmin(dist),]
>>> closest_centroid
array([54, 85])
【讨论】：
我知道我可能会迟到，但这是我对您问题的一般解决方案：
def predict(data, centroids):
centroids, data = np.array(centroids), np.array(data)
distances = []
for unit in data:
for center in centroids:
distances.append(np.sum((unit - center) ** 2))
distances = np.reshape(distances, data.shape)
closest_centroid = [np.argmin(dist) for dist in distances]
print(closest_centroid)
【讨论】：
如果您正在考虑根据最近集群内的平均值分配一个值，那么您正在谈论某种形式的“软解码器”，它不仅估计坐标的正确值，而且估计您对估计的置信度.另一种选择是“硬解码器”，其中只有 0 和 1 的值是合法的（出现在训练数据集中），新坐标将获得最近集群内的值的中值。我的猜测是，您应该始终只为每个坐标分配一个已知有效的类值（0 或 1），平均类值不是一种有效的方法。
【讨论】：
这就是我将标签分配给更接近现有质心的方式。也可以 有助于实现在线/增量集群，创建新的分配 现有的集群，但保持质心固定。小心，因为之后 （比方说）5-10% 的新点，您可能需要重新计算质心坐标。
def Labs( dataset,centroids ):
a = []
for i in range(len(dataset)):
d = []
for j in range(n):
dist = np.linalg.norm(dataset[(i),:]-centroids[(j),:])
d.append(dist)
assignment = np.argmin(d)
a.append(assignment)
return pd.DataFrame(np.array(a) + 1,columns =['Lab'])
希望对你有帮助
【讨论】：