如何将h2o4gpu KMeans对象转换为sklearn KMeans对象？

你遇到的错误是因为sklearn的KMeans对象依赖的内部属性远不止cluster_centers_，直接赋值聚类中心会导致模型缺少诸如_n_threads这类运行必需的内部属性，进而在保存或调用模型方法时触发报错。

解决方案：同步参数并补全必要属性 #

要完成正确转换，需要将GPU模型的参数同步到sklearn模型，并补全缺失的内部属性，以下是完整可行的代码示例：

from h2o4gpu.solvers import KMeans as GPUKMeans
from sklearn.cluster import KMeans
import joblib

# 训练h2o4gpu KMeans模型
gpu_model = GPUKMeans(n_clusters=num_clusters)
gpu_model.fit(embeddings)

# 1. 用GPU模型的参数初始化sklearn KMeans，保证参数一致
sklearn_model = KMeans(**gpu_model.get_params())

# 2. 赋值聚类中心
sklearn_model.cluster_centers_ = gpu_model.cluster_centers_

# 3. 补全sklearn需要的内部属性
# _n_threads是sklearn用于并行计算的内部属性，设为默认值1即可
sklearn_model._n_threads = 1

# 可选：如果需要保留训练得到的标签，同步labels_属性
if hasattr(gpu_model, 'labels_'):
    sklearn_model.labels_ = gpu_model.labels_

# 现在可以正常保存和加载模型了
joblib.dump(sklearn_model, 'sklearn_kmeans_model.pkl')
loaded_model = joblib.load('sklearn_kmeans_model.pkl')

# 验证：测试加载后的模型是否可用
print(loaded_model.predict(embeddings[:5]))

关键说明 #

• sklearn的KMeans在初始化和fit过程中会自动生成大量内部属性（比如_n_threads、_tol等），这些属性是模型序列化、predict等方法的依赖项，不能缺失。
• 使用gpu_model.get_params()可以直接同步GPU模型的所有参数（比如n_clusters、max_iter等）到sklearn模型，避免手动设置参数的遗漏。
• 如果后续仍有其他属性缺失的报错，可以查看sklearn KMeans的源码或打印已初始化并fit完成的sklearn模型的属性，对应补全即可。

内容的提问来源于stack exchange，提问作者Taylor Hawkes