K-means能不能保存模型？

K-Means能不能类似于集成学习生成一个模型保存下来，用在新的数据上？

• 文章：K-means算法在手写体数字图像数据上的使用示例 中也许有你想要的答案，请看下吧
• 除此之外, 这篇博客: K-means在关键词聚类中的尝试中的 K-means在文本聚类中的尝试 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• K-means算法是无监督的聚类算法。它的算法思想是：先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。

  K-means算法的关键点在于：

  • 初始k个聚类中心的选择
  • 距离的计算方式

  我想讨论的是：在关键词聚类的任务当中，距离的计算方式的选择，对聚类效果的影响。

  ---

• 以下回答由chatgpt基于相关博客总结生成:

  K-means模型的保存和新数据应用

  在使用K-Means算法时，我们可以将生成的模型保存下来，并且在新的数据上进行应用。下面是具体的解决方案：

  1. 加载数据，创建K-means算法实例，并进行训练，获得标签：

  data, cityName = loadData('city.txt')       # 加载数据
  km = KMeans(n_clusters=4)               # 创建实例  
  label = km.fit_predict(data)            # 调用Kmeans()fit_predict()方法进行计算
  expenses = np.sum(km.cluster_centers_,axis=1)
  CityCluster = [[], [], [], []]
  for i in range(len(cityName)):
      CityCluster[label[i]].append(cityName[i])
  for i in range(len(CityCluster)):
      print("Expenses:%.2f" % expenses[i] )
      print(CityCluster[i])
  

  1. 模型的保存与加载：

  在Python中，可以使用sklearn.externals.joblib库来保存和加载K-means模型。

  保存模型的代码如下：

  ```python import joblib

  joblib.dump(km, "kmeans_model.pkl") ```

  加载模型并应用于新的数据的代码如下：

  ```python km = joblib.load("kmeans_model.pkl") new_data = loadData("new_data.txt") # 加载新数据

  # 使用加载的模型进行预测 new_label = km.predict(new_data) new_expenses = np.sum(km.cluster_centers_, axis=1) new_CityCluster = [[], [], [], []] for i in range(len(new_data)): new_CityCluster[new_label[i]].append(new_data[i]) for i in range(len(new_CityCluster)): print("Expenses:%.2f" % new_expenses[i] ) print(new_CityCluster[i]) ```

  通过以上步骤，我们可以将K-means模型保存下来，并且在新的数据上进行应用。可以根据新的数据的标签，进行进一步的处理和分析。