如何使用 scipy 层次聚类将聚类分配给新的观察（测试数据）

Question

from scipy.cluster.hierarchy import dendrogram, linkage,fcluster
import numpy as np
import matplotlib.pyplot as plt

# data
np.random.seed(4711)  # for repeatability of this tutorial
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[100,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[50,])
X = np.concatenate((a, b),)

plt.scatter(X[:,0], X[:,1])

# fit clusters
Z = linkage(X, method='ward', metric='euclidean', preserve_input=True)

# plot dendrogram

max_d = 50
clusters = fcluster(Z, max_d, criterion='distance')

# now if I have new data
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[10,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[5,])
X_test = np.concatenate((a, b),)
print(X_test.shape)  # 150 samples with 2 dimensions
plt.scatter(X_test[:,0], X_test[:,1])
plt.show()

如何计算新数据的距离并使用来自训练数据的集群分配集群？

代码参考：joernhees.de

Answer 1

你没有。

集群没有训练和测试阶段。这是一种探索性的方法。您探索数据，也可以通过重新运行算法探索新数据。但由于该算法的本质，您无法将新数据有意义地“分配”给旧结构，因为这些数据可能会完全改变已发现的结构。

如果要分类，请使用分类器。

聚类算法不是分类器的替代品。如果要对新实例进行分类，请使用分类器，并使用例如这个工作流程：

1. 通过聚类探索数据（多次）
2. 使用您的领域专家认为有意义的聚类标记训练数据（验证聚类！）
3. 训练分类器
4. 使用分类器以相同方式标记新实例

当然，也有一些例外。在 k-means 和 Ward 中（但不是例如在单链接中），最近质心分类器 可以在某种程度上将发现的模型直接应用于新数据。尽管如此，这意味着将聚类“转换”为静态分类器，结果可能不再是完整数据集上的局部最优（另请参阅：概念漂移）