我是 R 新手，我已经使用 hclust 训练了模型：
model=hclust(distances,method="ward”)
结果看起来不错：
现在我得到了一些新的数据记录，我想预测它们中的每一个属于哪个集群。我该如何完成？
【问题讨论】：
knn(...) 函数。
标签： r machine-learning cluster-analysis
顾名思义，聚类不应该“分类”新数据 - 它是分类的核心概念。
一些聚类算法（如基于质心的 - kmeans、kmedians 等）可以根据创建的模型“标记”新实例。不幸的是，层次聚类不是其中之一——它不划分输入空间，它只是“连接”聚类期间给出的一些对象，所以你不能将新点分配给这个模型。
使用 hclust 进行“分类”的唯一“解决方案”是在 hclust 给出的标记数据之上创建另一个分类器。例如，您现在可以使用来自 hclust 的标签在数据上训练 knn（即使 k=1），并使用它为新点分配标签。
【讨论】：
knn 的想法值得一试。
如前所述，您可以使用诸如 class :: knn 之类的分类器来确定新个体属于哪个集群。
KNN 或 k-最近邻算法是最简单的机器学习算法之一，是基于实例的学习的一个示例，其中新数据根据存储的标记实例进行分类。更具体地说，存储数据和新实例之间的距离是通过某种相似性度量来计算的。这种相似性度量通常用距离度量来表示，例如欧几里得距离。
接下来我留下一个代码作为虹膜数据的示例。
library(scorecard)
library(factoextra)
library(class)
df_iris <- split_df(iris, ratio = 0.75, seed = 123)
d_iris <- dist(scale(df_iris$train[,-5]))
hc_iris <- hclust(d_iris, method = "ward.D2")
fviz_dend(hc_iris, k = 3,cex = 0.5,k_colors = c("#00AFBB","#E7B800","#FC4E07"),
color_labels_by_k = TRUE, ggtheme = theme_minimal())
groups <- cutree(hc_iris, k = 3)
table(groups)
预测新数据
knnClust <- knn(train = df_iris$train[,-5], test = df_iris$test[,-5] , k = 1, cl = groups)
knnClust
[1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 3 2 3 3 3 2 2 2 2 2 3 3 2 2 3 2 2 2 2 2 2 2 2 2
Levels: 1 2 3
# p1 <- fviz_cluster(list(data = df_iris$train[,-5], cluster = groups), stand = F) + xlim(-11.2,-4.8) + ylim(-3,3) + ggtitle("train")
# p2 <- fviz_cluster(list(data = df_iris$test[,-5], cluster = knnClust),stand = F) + xlim(-11.2,-4.8) + ylim(-3,3) + ggtitle("test")
# gridExtra::grid.arrange(p1,p2,nrow = 2)
pca1 <- data.frame(prcomp(df_iris$train[,-5], scale. = T)$x[,1:2], cluster = as.factor(groups), factor = "train")
pca2 <- data.frame(prcomp(df_iris$test[,-5], scale. = T)$x[,1:2], cluster = as.factor(knnClust), factor = "test")
pca <- as.data.frame(rbind(pca1,pca2))
绘制训练和测试数据
ggplot(pca, aes(x = PC1, y = PC2, color = cluster, size = 1, alpha = factor)) +
geom_point(shape = 19) + theme_bw()
【讨论】：
您可以使用此分类，然后使用 LDA 来预测新点应该属于哪个类别。
【讨论】：
我遇到了类似的问题并想出了一个临时解决方案。
hclust 给出了训练数据的标签。 同样，我们可以对特征使用 PCA 方法，提取 PC1 作为标签。
在 R 中，我发现 PCA 方法的处理速度比 hclust 快得多。 （马扬克 2016）
在实践中，我发现这种方式很容易部署模型。
但我怀疑这种时间解决方案是否会导致预测偏差。
参考
马扬克。 2016.“大型数据集上的 R 中的 Hclust()”。堆栈溢出。 hclust() in R on large datasets.
【讨论】：
为什么不计算每个 hclust 簇的质心，然后使用相同的距离函数将新点分配给最近的点？
类中的knn只会查看最近的n并且只允许欧几里得距离。
无需运行分类器。
【讨论】：