继承sklearn Kmeans类自定义距离度量的可行性及聚类实现咨询

一、重写_transform()是否影响聚类结果？ #

你的判断完全正确。sklearn的KMeans中，fit()方法是聚类的核心，它负责完成聚类中心初始化、样本簇分配、中心迭代更新的全流程，整个过程依赖内部硬编码的距离计算逻辑（默认是欧氏距离）。而_transform()方法仅在调用fit_transform()或单独调用transform()时生效，作用是计算已聚类样本到各中心的距离矩阵，不会对fit()阶段的簇划分、中心位置产生任何影响。重写它只会改变后续距离计算的输出结果，聚类本身的结果不会变化。

二、自定义距离度量的KMeans实现方法 #

1. 手动实现KMeans核心逻辑 #

直接编写KMeans的迭代流程，在距离计算环节替换成自定义度量，灵活性最高：

import numpy as np
from sklearn.metrics.pairwise import pairwise_distances

def custom_kmeans(X, n_clusters, max_iter=300, metric='cosine'):
    # 随机选择初始聚类中心
    centers = X[np.random.choice(X.shape[0], n_clusters, replace=False)]
    for _ in range(max_iter):
        # 用自定义度量计算样本到中心的距离
        distances = pairwise_distances(X, centers, metric=metric)
        # 分配样本到最近的簇
        labels = np.argmin(distances, axis=1)
        # 更新聚类中心（取簇内样本均值）
        new_centers = np.array([X[labels == i].mean(axis=0) for i in range(n_clusters)])
        # 收敛判断：中心不再变化则停止迭代
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return centers, labels

2. 使用支持自定义度量的第三方库工具 #

比如scikit-learn-extra中的KMedoids（K中心点算法），它支持任意自定义距离度量，适合无法用欧氏距离近似的场景：

from sklearn_extra.cluster import KMedoids
from sklearn.metrics.pairwise import cosine_distances

# 初始化KMedoids，指定自定义距离函数
kmedoids = KMedoids(n_clusters=3, metric=cosine_distances, random_state=42)
cluster_labels = kmedoids.fit_predict(your_dataset)

3. 特征空间映射（仅适用于可转化的距离） #

如果你的自定义距离可以通过特征变换转化为欧氏距离，先对数据做变换再用标准KMeans即可。比如余弦距离：

from sklearn.preprocessing import normalize
from sklearn.cluster import KMeans

# L2归一化数据，此时欧氏距离与余弦距离呈线性相关
normalized_X = normalize(your_dataset, norm='l2')
# 用标准KMeans聚类，等价于基于余弦距离的聚类
kmeans = KMeans(n_clusters=3, random_state=42)
labels = kmeans.fit_predict(normalized_X)

内容的提问来源于stack exchange，提问作者charumathi vasudevan