关于聚类后如何再分类的问题

[UPUPGOO]

非常感谢你的分享。
我有个疑问关于optics的，如何在聚类之后为未知的数据再进行预测分类呢？
在sckit-learn我找到kmeans方法有predict但其他的聚类方法都没有，所以想自己写一下，在这个方面，有没有可以指教一二的？
非常感谢了。

[GISerWang]

非常感谢你的分享。
我有个疑问关于optics的，如何在聚类之后为未知的数据再进行预测分类呢？
在sckit-learn我找到kmeans方法有predict但其他的聚类方法都没有，所以想自己写一下，在这个方面，有没有可以指教一二的？
非常感谢了。

我不知道我有没有理解错你的意思。
关于kmeans方法，是寻找多个聚类中心，当找到聚类中心后，我对未知数据求距离，就可以对未参加聚类的数据进行预测分类（我理解的是：未参加聚类的数据就是你说的未知数据）。但是kmeans是一个基于划分的聚类方法，簇集是呈现类圆分布，因此会存在聚类中心。
但是optics是一个基于密度的聚类算法，聚类结果并不存在聚类中心，所以也就不存在所谓的预测（仅是我个人理解），因为密度聚类的形状是各种各样的。但是我们是否可以换个角度想？因为optics算法是核心点驱动的，那么处于核心点邻域内部的点是可以有类别的，我们可以将未参加聚类的数据与核心点求距离，然后在于空间邻域作比较，从而预测类别呢？
这只是我个人的一点看法，仅供参考。

[UPUPGOO]

非常感谢你的分享。
我有个疑问关于optics的，如何在聚类之后为未知的数据再进行预测分类呢？
在sckit-learn我找到kmeans方法有predict但其他的聚类方法都没有，所以想自己写一下，在这个方面，有没有可以指教一二的？
非常感谢了。

我不知道我有没有理解错你的意思。
关于kmeans方法，是寻找多个聚类中心，当找到聚类中心后，我对未知数据求距离，就可以对未参加聚类的数据进行预测分类（我理解的是：未参加聚类的数据就是你说的未知数据）。但是kmeans是一个基于划分的聚类方法，簇集是呈现类圆分布，因此会存在聚类中心。
但是optics是一个基于密度的聚类算法，聚类结果并不存在聚类中心，所以也就不存在所谓的预测（仅是我个人理解），因为密度聚类的形状是各种各样的。但是我们是否可以换个角度想？因为optics算法是核心点驱动的，那么处于核心点邻域内部的点是可以有类别的，我们可以将未参加聚类的数据与核心点求距离，然后在于空间邻域作比较，从而预测类别呢？
这只是我个人的一点看法，仅供参考。

很感谢你的回复。核心点这个词很有兴趣，请问有相关的论文或者博客提到这个知识吗？核心点的定义和划分都是个问题。

[GISerWang]

非常感谢你的分享。
我有个疑问关于optics的，如何在聚类之后为未知的数据再进行预测分类呢？
在sckit-learn我找到kmeans方法有predict但其他的聚类方法都没有，所以想自己写一下，在这个方面，有没有可以指教一二的？
非常感谢了。

我不知道我有没有理解错你的意思。
关于kmeans方法，是寻找多个聚类中心，当找到聚类中心后，我对未知数据求距离，就可以对未参加聚类的数据进行预测分类（我理解的是：未参加聚类的数据就是你说的未知数据）。但是kmeans是一个基于划分的聚类方法，簇集是呈现类圆分布，因此会存在聚类中心。
但是optics是一个基于密度的聚类算法，聚类结果并不存在聚类中心，所以也就不存在所谓的预测（仅是我个人理解），因为密度聚类的形状是各种各样的。但是我们是否可以换个角度想？因为optics算法是核心点驱动的，那么处于核心点邻域内部的点是可以有类别的，我们可以将未参加聚类的数据与核心点求距离，然后在于空间邻域作比较，从而预测类别呢？
这只是我个人的一点看法，仅供参考。

很感谢你的回复。核心点这个词很有兴趣，请问有相关的论文或者博客提到这个知识吗？核心点的定义和划分都是个问题。

DBSCAN和OPTICS算法原理中，都对核心点做了定义：若点pt在r邻域中点个数大于Minpts，则称pt为核心点。