Scikit learn scikit学习'；sk-means：预测方法真正的作用是什么？

当我使用scikit learn的k-means实现时，我通常只调用

fit（）

方法，这就足以获得集群中心和标签。

predict（）

方法用于计算标签，为了方便起见，甚至可以使用

fit\u predict（）

方法，但是如果我只能使用

fit（）

获得标签，那么

predict（）

方法的目的是什么？

predict

，正如@EdChum所建议的，可以用于看不见的数据。当k-means用于半监督学习中的特征提取时，这种方法（更重要的是，

transform

方法）非常有用：对大量样本进行聚类，然后使用最近的质心/到质心的距离作为后续监督学习问题的特征。当使用结果进行预测时，您会得到k-means未看到的样本。

对未看到的数据使用

predict

方法是否有意义。因为它是k-means，所以我不是真的这么想。我不确定我是否仍然理解。我有n个观察值，并使用kmeans对它们进行拟合。我有n+1个观察值，因此我可以简单地将其添加到我的数据集中，并使用fit（）拟合所有n+1。或者，我们可以使用fit（）和predict（）来处理n+1次观测。那么，我是否正确理解在predict（）中，我们不会重新计算簇的质心？您能告诉我，在应用k-means之后，最推荐的创建训练集的方法是什么吗？我使用dictVectorizer+TfidTransformer获得X，然后执行km.fit（X），我想对新文档使用predict，但我需要为它创建一个稀疏矩阵，实现这一点的最有效方法是什么？