我正在做一项涉及聚类和分类的家庭作业，需要一些帮助，因为我被卡住了。
我有一个大约10000行的文件，每行有一个随机句子，如
他喜欢计算机科学工作之前他曾在医疗行业工作过
她喜欢和孩子一起玩
他拥有5年的计算机科学经验。
我需要在所有输入句子中构建一个多个集群，然后将每个句子放入一个集群中。
例如：
COMPUTER SCIENCE: he likes computer science jobs
COMPUTER SCIENCE: he has had 5 years experience in computer science field.
KIDS: she likes to play with kids
MEDICAL: he has worked in the medical industry before
现在集群不需要被称为计算机科学，儿童，医疗等，但他们将有数量的分配。
我做了什么：
目前我有两件事：
ID为ID（0-10000）的DICT：CLEAN SENTENCE
WORD格式的DICT：所有10000个句子中每个干净的单词的COUNT，在从字符串中删除并清除后是唯一的。
下一步是什么？这是在我实施KNN或KMeans等时吗？
答案 0 :(得分：1)
下一步应该是将上面清理过的句子聚集在一起，每个清理过的句子都是一个数据点。 您可以使用任何数据挖掘python库中的k-means来获取集群。
========群集=========
现在你如何决定k-means中的K（即簇的数量）：1）通过绘制k-means的目标曲线，然后选择对应于膝盖的K，或2）使用贝叶斯信息标准，或3）适合您特定数据集的一些其他流行方法。如果您现在不想这样做，请在此处阅读How do I determine k when using k-means clustering?
由于这是一个家庭作业，我会说学习经验更重要，因此你应该尝试不止一个，以获得它的“感觉”。
在此过程结束时，您将拥有K个群集。
现在是分类部分。
========分类=========
将每个K群集视为一个类。 有很多方法可以将每个数据点（即清理的句子）分类为K类： 1.无论在k-means结尾处分配了每个数据点的集群，您都可以将此数据点视为具有该类。 2.将每个聚类质心作为每个类的代表点，并使用诸如余弦，k1-发散等的一些相似性度量来找到给定数据点与每个K个代表性类点之间的相似性。将数据点分配给其最近的类点，从而分配该类。
请注意，上面的（1）是最简单的。
========================================
还有其他各种聚类方法（球形k-means，凝聚等），这也会改变你的分类步骤。