如何在质心基群集中重新聚类新实例？

Question

我在我的患者数据集上应用了像k-mean，k-medoid和DBSCAN这样的聚类算法。对于每个算法，RapidMiner生成聚类模型（质心表和图形等）和聚类集（显示哪些示例是哪个聚类的一部分）。现在我想要一些方法，当一个新病人来时，我想根据之前训练的模型为他分配一个集群。我很担心这样做的方式..就是这样，我可能是错的

为新患者的每个属性值 - 来自质心表的属性值 总结患者属性的所有差异并采取平均值。

然后为他分配相对于该患者的avg最小的聚类。

如果这是正确的方式，那么我将如何重新聚集，即当一个新患者来到我们的算法时，分配他的群集，这是意思。质心移动然后我必须重新聚集每个记录插入。如何在我的场景中处理这个？

Answer 1

如果要将它们应用于流，请查看在线群集算法。

存在诸如在线k-means变体之类的内容。

通常，您确实希望避免重新聚类所有现有示例，因为这不适用于无限数据流和有限内存。

通常最好不尝试获得与运行经典聚类算法完全相同的结果，但要学会忍受一些错误。毕竟，所有这些算法无论如何都只是启发式算法。只要你的近似值很好，近似启发式就没有错误。