Python 如何正确地将Kmeans标签转换为类别标签

我一直在使用Sklearn的Kmeans实现

我一直在对一个标记为的数据集进行聚类，我一直在使用sklearn来测试聚类性能

Sklearn的Kmeans集群输出是一个在

k_集群范围内的数字列表。但是，我的标签是
字符串

到目前为止，我对它们没有任何问题，因为
sklearn.metrics.cluster
中的度量使用混合输入（
int
&
str
标签列表）

但是现在我想使用一些，从我收集的数据来看，输入
k_true
和
k_pred
需要是同一组。在
k
范围内的数字，或者我的数据集正在使用的字符串标签。如果我尝试，它将返回以下错误：

AttributeError:“bool”对象没有属性“sum”

那么，我如何将
k_意思
标签转换为其他类型的标签呢？甚至相反（字符串标签->整数标签）

我怎么才能开始实施它呢？因为k_均值是非常不确定的，标签可能会随着迭代而变化。有没有合法的方法来正确翻译Kmeans标签

编辑：

范例

对于k=4

kmeans输出：
[0,3,3,2

类标签：
['CAT'、'DOG'、'DOG'、'BIRD'、….'CHICKEN']
您可以使用字典创建映射，例如

mapping_dict = { 0: 'cat', 1: 'chicken', 2:'bird', 3:'dog'}

然后，您可以使用列表理解等简单地应用此映射。
假设您的标签存储在列表中
kmeans\u predictions

mapped_predictions = [ mapping_dict[x] for x in kmeans_predictions]

然后使用
mapped\u预测
作为您的预测

更新：根据你的评论，我认为你必须反过来做。我的意思是将标签转换为“int”映射

此外，此处不能仅使用任何分类度量。使用和，因为它们更适合于集群问题。在这里盲目使用任何随机分类指标都是不正确的。
聚类不是分类

这些方法不能预测标签，因此您不能使用分类评估度量。这就像用每加仑英里数来衡量一个苹果的质量

如果您坚持做错误的事情（tm），那么使用匈牙利算法来找到最佳映射。但是要注意：集群的数量和类的数量通常是不一样的。如果是这种情况，使用这种映射将是不公平的负面（不映射额外的集群）或不公平的积极（映射！Unple集群到同一标签将考虑N点是N个集群）解决方案“最优”。最好只使用聚类度量。
@MohammedKashif我添加了一个问题示例，谢谢你的回答。我的问题不是技术如何，而是如何组织映射。哪个
int
标签将映射到哪个
str
标签。我可能可以观察每个集群的分布，但这可能会在过程中隐藏一些陷阱。关于集群和类的数量。我将使用kmeans，因此我将寻找与类匹配的方法。关于这些措施，我想你是对的。不同事物的不同度量标准。然而，我认为
F1
，
精度
和
召回
可以应用于聚类，对吗？无论如何，谢谢你的意见。我很感激。欢呼对于不需要1:1映射的聚类来说，精度、召回率和F1是不同的。哦，我明白了。您知道哪些实现？