用於測試數據分類的k均值聚類

Question

我想要做k均值聚類來對基於訓練數據的測試數據進行分類，這兩個訓練數據都有3個類（1,2和3）。

我該如何對測試數據集進行分類，使用簇大小爲在kmeans中k = 10（例如使用Matlab）？我知道我可以有k = 3，然後使用最近的鄰居來識別基於最近簇大小的數據......但不知道我會用什麼值其他k = 3？你將如何標記這10個集羣中的每一個？

謝謝

Answer 1

雖然這是我理解的大綱，但您確切想要做什麼有點不清楚。

當您對數據進行羣集時，理想情況下標籤不存在，因爲您可以使用羣集來從數據獲取洞察或將其用於預處理。

雖然，如果要執行羣集，然後根據羣集中心的接近度將類ID分配給新數據點，則可以執行以下操作。

首先，您通過引導或其他方法選擇k，也許使用Silhouette係數。一旦你得到聚類中心，檢查哪個中心最接近新的數據點，並相應地分配類別ID。

在這種情況下，您可能有興趣使用Rand Index或Adjusted Rand Index來獲得羣集質量。

Answer 2

10個簇的分類與3個簇的分類沒有區別。由k-means給出的聚類數目與數據中「類別」的數目無關。 k-means是一種無監督的學習算法，這意味着它在訓練期間不考慮訓練數據的類別。

算法將是這個樣子：

distances = dist(test_point, cluster_centers) 
cluster = clusters[ min(distances) ] 
class = mode(cluster.class) 

，我們發現與聚類中心和我們的測試點之間最小距離的集羣，然後我們發現包含在這些元素中最常見的類別標籤距離最近的集羣。