当我应该使用其中之一时，“sklearn.cluster.k_means”和“sklearn.cluster.KMeans”有什么区别？

Question

当我应该使用其中之一时，我对“sklearn.cluster.k_means”和“sklearn.cluster.KMeans”之间的区别感到困惑？

Answer 1

来自sklearn glossary：“[w]e 为许多算法提供临时函数接口，而估算器类提供更一致的接口。” k_means() 只是一个包装器，它返回 KMeans.fit() 的结果：

• cluster_centers_,
• labels_,
• inertia_,
• n_iter_

KMeans 是按照sklearn objects 的开发人员指南设计的类。 KMeans，与 sklearn 中的其他分类器对象一样，must implement 方法用于：

• fit(),
• transform(), 和
• score()。

还可以实现其他方法，例如predict()。使用KMeans 而不是k_means() 的主要好处是您可以轻松访问KMeans 中实现的其他方法。例如，如果你想使用你训练好的模型来predict 未见数据属于哪个集群：

from sklearn.clustering import KMeans

est = KMeans()
KMeans.fit(X_train)
cluster_labels = est.predict(X_test)

如果您使用函数式 API，要应用预测，您必须深入了解 KMeans.predict() 以弄清楚如何执行此操作。

并非所有 sklearn 对象都实现了功能设计，但您可以使用 sklearn 中的其他示例来指导您自己轻松实现。