Scikit learn predict（）方法在scikit learn的kmeans实现中有什么用途？

有人能解释一下在scikit learn的kmeans实现中，

predict（）

方法的用途吗？缔约国声明其用途如下：

预测X中每个样本所属的最近聚类

但是，我也可以通过在

fit\u transform（）

方法上训练模型来获得输入集X的每个样本的集群编号/标签。那么

predict（）

方法有什么用呢？它应该为看不见的数据指出最近的集群吗？如果是，那么如果执行维度缩减度量（如SVD），如何处理新数据点

这里有一个例子，但我仍然不认为它真的有帮助

predict（）方法的用途是什么？它应该为看不见的数据指出最近的集群吗

是的，没错

那么，如果执行诸如SVD之类的降维度量，如何处理新的数据点呢

在将看不见的数据传递到

.predict（）

之前，对其应用相同的降维方法。以下是一个典型的工作流：

# prerequisites:
#    x_train: training data
#    x_test: "unseen" testing data
#    km: initialized `KMeans()` instance
#    dr: initialized dimensionality reduction instance (such as `TruncatedSVD()`)    

# fitting
x_dr = dr.fit_transform(x_train)
y = km.fit_predict(x_dr)  

# ...

# working with unseen data (models have been fitted before)
x_dr = dr.transform(x_test)
y = km.predict(x_dr)

# ...

实际上，像

fit\u transform

和

fit\u predict

这样的方法是为了方便而存在的

y=km.fit\u predict（x）

相当于

y=km.fit（x）.predict（x）

我认为，如果我们将装配部分写为以下内容，则更容易看到发生了什么：

# fitting
dr.fit(x_train)
x_dr = dr.transform(x_train)

km.fit(x_dr)
y = km.predict(x_dr)

除了调用

.fit（）

之外，在装配过程中使用的模型与未看到的数据相同

总结：

• .fit（）

  的目的是用数据训练模型

• .predict（）

  或

  .transform（）

  的目的是将经过训练的模型应用于数据
• 如果您想在培训期间拟合模型并将其应用于相同的数据，为了方便起见，可以使用

  .fit\u predict（）

  或

  .fit\u transform（）

• 当链接多个模型（如降维和聚类）时，在拟合和测试期间以相同的顺序应用它们

---

假设我有一些文本数据，我在其TDM上执行SVD，并拟合kmeans模型。我想在新的文本数据上使用这个模型。我可以用相同的词汇表获得新数据的TDM，但我想如果我应用SVD，这将是一个问题。新特性虽然大小相同，但可能不一定对应于以前的分解。如果我理解正确，predict（）方法通过测量具有簇形心的欧几里德距离来确定簇，那么如果特征在语义上不对应，那么测量距离就没有意义，即模型的特征和新数据的特征。如果使用SVD的

transform

方法，则不会在看不见的数据上再次训练模型。它应用与培训期间相同的转换。但是，我以前从未使用过文本数据，不知道在SVD中输入的内容是否可以在数据集之间保持一致。