如何使用scipy的hierchical聚类将聚类分配给新的观察（测试数据）

Question

from scipy.cluster.hierarchy import dendrogram, linkage,fcluster
import numpy as np
import matplotlib.pyplot as plt

# data
np.random.seed(4711)  # for repeatability of this tutorial
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[100,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[50,])
X = np.concatenate((a, b),)

plt.scatter(X[:,0], X[:,1])

# fit clusters
Z = linkage(X, method='ward', metric='euclidean', preserve_input=True)

# plot dendrogram

max_d = 50
clusters = fcluster(Z, max_d, criterion='distance')

# now if I have new data
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[10,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[5,])
X_test = np.concatenate((a, b),)
print(X_test.shape)  # 150 samples with 2 dimensions
plt.scatter(X_test[:,0], X_test[:,1])
plt.show()

如何计算新数据的距离并使用训练数据中的聚类分配聚类？

代码参考：joernhees.de

Answer 1

你没有。

群集没有培训和测试阶段。这是一种探索性方法。您可以浏览数据，还可以通过重新运行算法来浏览新数据。但是根据这种算法的本质，你不能有意义地“将新数据”分配给旧结构，因为这些数据可以完全改变发现的结构。

如果要分类，请使用分类器。

群集算法不替代分类器。如果要对新实例进行分类，请使用分类器，并使用例如这个工作流程：

1. 使用群集（多次）探索数据
2. 使用您的域专家认为有意义的群集标记培训数据（验证clstering！）
3. 训练分类器
4. 使用分类器以相同的方式标记新实例

当然，有一些例外。在k-means和Ward中（但不是例如在单链接中），最近的质心分类器可以将所发现的模型直接应用于新数据。尽管如此，这意味着将聚类“转换”为静态分类器，结果可能不再是完整数据集上的局部最优（参见：概念漂移）