R 中聚类的训练和测试评估答案

【问题标题】：Training and Test evaluation for Clustering in RR 中聚类的训练和测试评估
【发布时间】：2016-12-20 08:47:16
【问题描述】：

我正在尝试在 R 中实现类似于 @bens code here 的东西。我正在处理非结构化新闻文章，并希望在进行主题建模后对它们进行聚类我尝试执行 @ben 提供的代码并且它有效.我想知道如何在训练和测试中划分数据并预测测试数据的集群，然后评估测试数据的集群方式可能使用平均平均精度。

我知道这变成了半无监督而不是无监督，但我想试试看结果。

【问题讨论】：

最好在Cross Validated 上收到有关如何有条不紊地进行设置的建议。在这里，您需要提供一些您尝试过的代码（实现），并指出您在实现方法时遇到的问题（毕竟需要一个方法）。请以这样的方式扩展问题，使其符合任一站点的条件，并在必要时请求迁移（通过“标志”菜单）。
好的。。谢谢，我会在那里转发
我已发起迁移请求。这样，此问题将被移至 CV，而不会创建副本。
谢谢@AlexR 但是你能帮我解决这个问题吗？
我不确定这个问题是否会以当前形式存在于Cross Validated 上。它需要更清晰、独立，而不是代码审查或关于如何在软件中实现给定程序。如果唯一真正的问题是如何将数据划分为训练和测试，以及如何评估聚类的有效性，那将是一个很好的问题，但却是重复的。您应该搜索该站点并阅读现有信息。然后你可以发布一个特定于你仍然需要知道的问题。

【解决方案1】：

半监督意味着您将优化（！）聚类以在您有标签的数据集上产生“最佳”结果，并期望它也能很好地聚类未标记的数据。这很难开始工作，具体取决于您的数据。例如，使用 k-means，您可能会优化 k 以匹配已知簇的数量，但是未知的簇呢？

如果您只想查看您的聚类方法是否有效，则不需要进行训练测试拆分。这有助于在优化参数时避免过度拟合（并且在此范围内，对您的实际性能过于乐观）。当不使用方法中的标签（如在聚类中）并且也不使用参数化时，您可以简单地执行所谓的“外部评估”。您将标签重新添加到数据集中，并评估聚类与标签的一致性。

但请注意，即使集群与您的标签不一致，它们也可能很好。例如，您的标签可能是“olympics”，但聚类会为“游泳”生成一个聚类。这是一个很好的集群，即使它拆分了您提供的标签（有人甚至可能认为它很好因为它这样做了，它改善了您的标签！）。

如果您的所有数据都已标记，请始终选择分类！不要试图优化聚类来模拟分类。

【讨论】：