小编Sau*_*rav的帖子

K-means 的 Scikit-learn 实现具有predict()可应用于未见过的数据的功能。而DBSCAN和Agglomerative则没有这个predict()功能。

这三种算法都有fit_predict()，用于拟合模型然后进行预测。但是 k-meanspredict()可以直接用于未见过的数据，而其他算法则不然。

我非常清楚有聚类算法，并且根据我的观点，predict()K 均值也不应该存在。

这种差异背后可能的直觉/原因是什么？难道只是因为k-means进行了“1NN分类”，所以才有作用predict()？

我正在使用 CNN 训练服装分类算法。我有大约 60000 张图像用于 10 个类的训练（训练和验证按 80:20 分割）。分离 10000 张图像进行测试。

训练准确度会随着时间的推移而提高，但验证准确度保持不变。训练损失也减少，但验证损失保持不变。

img_width, img_height = 28, 28
batch_size = 32
samples_per_epoch = 20000
validation_steps = 300
nb_filters1 = 32
nb_filters2 = 64
nb_filters3 = 128
conv1_size = 3
conv2_size = 2
pool_size = 2
classes_num = 10
epochs = 300

#learning_rate = 0.001
learning_rate = 0.01
decay_rate = learning_rate / epochs
momentum = 0.8
sgd = SGD(lr=learning_rate, momentum=momentum, decay=decay_rate, 
     nesterov=True)

model = Sequential()
model.add(
    Convolution2D(nb_filters1, conv1_size, conv1_size, border_mode="same", 
    input_shape=(img_width, img_height, …