能否使用MLJar构建聚类模型？附相关疑问及示例请求

你的判断基本准确：MLJar的核心定位是自动化监督学习工具，主要面向分类、回归这类带标签的任务，本身并没有提供原生的无监督聚类模型训练能力。你提到的K-means相关功能确实属于预处理/特征工程范畴，用于将聚类结果作为新特征输入到监督学习模型中。

不过，如果你想结合MLJar完成聚类相关任务，可以借助它的特征工程能力来辅助聚类流程，以下是一个示例：

这个示例会先用MLJar提取K-means聚类特征，再结合Scikit-learn完成聚类模型的训练（因为MLJar本身不提供聚类模型训练）：

import pandas as pd
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from mljar_supervised import FeatureExtractor

# 生成模拟聚类数据
X, _ = make_blobs(n_samples=1000, centers=4, random_state=42)
df = pd.DataFrame(X, columns=[f"feat_{i}" for i in range(X.shape[1])])

# 使用MLJar的FeatureExtractor生成K-means聚类特征
fe = FeatureExtractor(
    features=["kmeans"],
    kmeans_params={"n_clusters": 4}
)
fe.fit(df)
df_with_clusters = fe.transform(df)

# 查看生成的聚类特征
print(df_with_clusters[["kmeans_0", "kmeans_1", "kmeans_2", "kmeans_3"]].head())

# 基于MLJar处理后的特征，用Scikit-learn训练聚类模型
kmeans = KMeans(n_clusters=4, random_state=42)
clusters = kmeans.fit_predict(df_with_clusters)
df["cluster_label"] = clusters
print(df["cluster_label"].value_counts())

如果你的需求是纯无监督聚类，MLJar并不是最优选择，更适合用Scikit-learn、HDBSCAN这类专注于无监督学习的库；但如果需要在聚类流程中结合自动化特征工程，MLJar的预处理模块可以发挥作用。

内容的提问来源于stack exchange，提问作者dghadagh