如何从 scikit-learn KMeans 中获取聚类中心的文本？

Posted 2023-03-12

【中文标题】如何从 scikit-learn KMeans 中获取聚类中心的文本？

【英文标题】：How to get the text of cluster centers from scikit-learn KMeans?

【发布时间】：2012-07-05 21:45:54

【问题描述】：

我有一个适合sklearn.cluster.KMeans的字符串列表：

X = TfidfVectorizer().fit_transform(docs)
km = KMeans().fit(X)

现在我想以原始字符串表示形式获取集群中心。我知道km.cluster_centers_，但不知道如何获取docs 的相关索引。

【参考方案1】：

k-means 中没有聚类中心的“原始表示”；它们实际上不是输入集中的点（矢量化文档），而是多个点的手段。由于词袋表示破坏了术语的顺序，因此无法将此类方法转换回文档。

一种可能的近似方法是取一个质心向量，然后在其上使用TfidfVectorizer.inverse_transform 来找出其中哪些项具有非零 tf-idf 值。

您可以使用k-medoids 算法实现您想要的，该算法确实将实际输入点分配为质心，但这在 scikit-learn 中没有实现。

【讨论】：

您可以使用 Affinity Propagation 算法，该算法也将实际数据点作为聚类中心返回。

@cjohnson318：好点。不过，我从未在文本上尝试过这种算法。

@larsmans：感谢您的澄清和指向 k-medoids 的指针！

@larsmans：我刚刚发现了它，所以它是我最喜欢的新算法，适用于所有事情。我喜欢它，因为您不需要知道要查找的集群数量，但对于此应用程序，先验指定集群数量可能更合适。我不确定。

@mathias 但是由于 KMeans 确实返回了质心，您只需计算数据集中每个点到每个中心的欧几里得距离，然后返回最接近质心的实际数据点。