时间戳

首页 > 解决方案 > 如何使用 KMEANS 计算每个记录的聚类距离？

python-3.x - 如何使用 KMEANS 计算每个记录的聚类距离？

问题描述

我在具有两个集群的数据集上应用了 Kmeans 算法。我的数据集形状是 (506,13)。如何从每条记录中获取聚类距离？

我尝试使用欧几里得距离作为聚类中心，但我想知道每条记录到两个聚类的距离。

model= KMeans(n_clusters=2)
model.fit(X)
print(model.cluster_centers_)

[3.88774444e-01 1.55826558e+01 8.42089431e+00 7.31707317e-02
5.11847425e-01 6.38800542e+00 6.06322493e+01 4.44127154e+00
4.45528455e+00 3.11926829e+02 1.78092141e+01 3.81042575e+02
1.04174526e+01]
[1.22261690e+01 3.01980663e-14 1.84518248e+01 5.83941606e-02
6.70102190e-01 6.00621168e+00 8.99678832e+01 2.05447007e+00
2.32700730e+01 6.67642336e+02 2.01963504e+01 2.91039051e+02
1.86745255e+01]

**actual results:**
from sklearn.metrics.pairwise import euclidean_distances
dists = euclidean_distances(model.cluster_centers_)
array([[  0.        , 369.34000546],
[369.34000546,   0.        ]])

**Expected results:**

rows cluster_1_distance  cluster_2_distance
 0        0.78                 0.89
 1        0.53                 0.66

标签： python-3.xmachine-learningscikit-learnk-means

解决方案

使用scipy.spatial.distance库中cdist的函数。

如参考资料中所述，它需要 2 个矩阵，并返回两个矩阵中每对之间的距离。您可以使用metric参数来指定所需的距离函数的类型。

在你的情况下，

from scipy.spatial.distance import cdist
dists = cdist(X,model.cluster_centers_,metric='euclidean') #shape of dists : (506,2)

推荐阅读