当我应该使用其中之一时，“sklearn.cluster.k_means”和“sklearn.cluster.KMeans”之间有什么区别？

Question

当我应该使用其中之一时，我对“sklearn.cluster.k_means”和“sklearn.cluster.KMeans”之间的区别感到困惑？

Answer 1

来自sklearn 术语表：“我们为许多算法提供临时函数接口，而估计器类提供更一致的接口。” k_means()只是一个返回结果的包装器KMeans.fit()：

• cluster_centers_,
• labels_,
• inertia_,
• n_iter_

KMeans是一个按照sklearn 对象开发人员指南设计的类。 KMeans与 sklearn 中的其他分类器对象一样，必须实现以下方法：

• fit(),
• transform()， 和
• score()。

并且还可以实现其他方法，例如predict(). KMeans使用over的主要好处k_means()是您可以轻松访问KMeans. 例如，如果您想使用predict未见过的数据所属的集群的训练模型：

from sklearn.clustering import KMeans

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

如果您使用函数式 API，要应用预测，您必须深入了解KMeans.predict()如何执行此操作。

并非所有 sklearn 对象都实现了功能设计，但您可以使用 sklearn 中的其他示例来指导您轻松实现这一点。