K-means Clustering of text data : 获取文本属于哪个簇

Posted 2023-03-12

【中文标题】K-means Clustering of text data : 获取文本属于哪个簇

【英文标题】：K-means Clustering of text data : Get which cluster does the text belong to

【发布时间】：2015-09-21 11:18:47

【问题描述】：

我正在使用 Python (scikit-learn) 中的 K-Means 对文本数据进行聚类。 如何获取线路所属的集群？

示例： data=["红色、黄色和蓝色是颜色","冰淇淋是我最喜欢的食物","你现在也可以买到草莓味的冰淇淋","天空是蓝色的"]

在使用 n_clusters=2 执行 K-Means 后，我预计会形成两个集群。

“红色、黄色和蓝色是颜色”、“天空是蓝色”在一组中，“冰淇淋是我最喜欢的食物”、“你现在也可以买到草莓味冰淇淋”在另一组中。

我如何得到这个，即哪条线在哪个集群中？

K-means 代码：

vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(data)
model = KMeans(n_clusters=true_k, init='k-means++', max_iter=500,  n_init=20)
model.fit(X)

【参考方案1】：

尝试使用predict 函数。

例子-

model.predict(X)

来自documentation -

预测（X）

预测 X 中每个样本所属的最近聚类。

在向量量化文献中，cluster_centers_被称为码本，predict返回的每个值都是码本中最接近的码的索引。

参数： X：类数组，稀疏矩阵，形状= [n_samples，n_features] 要预测的新数据。

返回： 标签：数组，形状 [n_samples,] 每个样本所属簇的索引。

这似乎返回了每个样本所属的簇的索引数组。

也许你也可以使用 -fit_predict() 函数。

您可以使用属性 - cluster_centers_ 获取聚类中心，在您的情况下 - model.cluster_centers_ 和每个样本的标签 - model.labels_ 。