如何基于python中最近的集群中心逻辑将新的观测值分配给现有的Kmeans集群？

如何基于python中最近的集群中心逻辑将新的观测值分配给现有的Kmeans集群？

是。无论

sklearn.cluster.KMeans

对象是否被腌制（ 如果正确地对其进行腌制，您将要处理“相同”原始对象
）都不会影响您可以使用该

predict

方法对新观察结果进行聚类。

一个例子：

from sklearn.cluster import KMeansfrom sklearn.externals import joblibmodel = KMeans(n_clusters = 2, random_state = 100)X = [[0,0,1,0], [1,0,0,1], [0,0,0,1],[1,1,1,0],[0,0,0,0]]model.fit(X)

出：

KMeans(copy_x=True, init='k-means++', max_iter=300, n_clusters=2, n_init=10,    n_jobs=1, precompute_distances='auto', random_state=100, tol=0.0001,    verbose=0)

继续：

joblib.dump(model, 'model.pkl')  model_loaded = joblib.load('model.pkl')model_loaded

出：

KMeans(copy_x=True, init='k-means++', max_iter=300, n_clusters=2, n_init=10,    n_jobs=1, precompute_distances='auto', random_state=100, tol=0.0001,    verbose=0)

如何看

n_clusters

和

random_state

参数之间的相同

model

和

model_new

对象？你很好

使用“新”模型进行预测：

model_loaded.predict([0,0,0,0])Out[64]: array([0])