什么是＆＃34; sklearn.cluster.k_means＆＃34;和＆＃34; sklearn.cluster.KMeans＆＃34;什么时候我应该使用其中一个？

Question

我对＃34; sklearn.cluster.k_means＆＃34;之间的区别感到困惑。和＆＃34; sklearn.cluster.KMeans＆＃34;什么时候我应该使用其中一个？

Answer 1

来自sklearn glossary：“ [w]为许多算法提供了临时功能接口，而估计器类提供了更一致的接口。” k_means()只是返回KMeans.fit()结果的包装器：

• cluster_centers _，
• labels_，
• inertia_，
• n_iter_

KMeans是根据sklearn objects开发人员指南设计的类。 KMeans与sklearn中的其他分类器对象一样，用于以下目的的must implement方法：

• fit()，
• transform()和
• score()。

，并且还可以实现其他方法，例如predict()。与KMeans相比，使用k_means()的主要好处是您可以轻松访问在KMeans中实现的其他方法。例如，如果您想使用训练有素的模型来predict来查看哪些集群的未见数据属于：

from sklearn.clustering import KMeans

est = KMeans()
KMeans.fit(X_train)
cluster_labels = est.predict(X_test)

如果您使用功能性API，则要应用预测，您必须查看KMeans.predict()的内幕才能弄清楚该怎么做。

并非所有sklearn对象都实现了功能设计，但是您可以使用sklearn中的其他示例轻松地实现此目的。