sklearn KMeans的labels_与predict()结果不一致该用哪个分配簇标签

基础逻辑 #

正常情况下，二者对训练集的输出结果应该完全一致：

• labels_是KMeans模型完成训练后，直接存储的训练样本对应的簇编号，是训练最后一步给样本分配簇的直接结果
• predict()方法的逻辑是计算输入样本到各个质心的距离，将样本分配到距离最近的质心所属的簇，输入为训练集时，和labels_的计算逻辑完全相同

不一致的可能原因 #

• 未固定随机种子：你初始化KMeans时没有设置random_state参数，若两次运行fit操作，得到的质心分布不同，前一次fit得到的labels_和后一次模型predict的结果自然不匹配
• 训练数据被修改：调用fit()和predict()的间隔中，wdf的行顺序、数值、索引发生了改动，导致predict的输入和fit的输入不是完全相同的数据集
• 模型对象被覆盖：fit完成拿到labels_后，你又重新实例化了同名的KMeans对象做了其他操作，调用predict时用的是新模型的参数，和旧labels_不匹配

正确的打标签方案 #

• 给参与训练的样本打标签，直接使用kmeans.labels_即可，无需额外调用predict，执行效率更高，也不会出现顺序不匹配的问题
• 给未参与训练的新样本打标签，再使用predict()方法

一致性验证方法 #

你可以运行以下代码确认二者逻辑一致：

import numpy as np
from sklearn.cluster import KMeans

# 固定随机种子保证结果可复现
kmeans5 = KMeans(n_clusters=5, max_iter=20, random_state=42)
kmeans5.fit(wdf)
print(np.array_equal(kmeans5.labels_, kmeans5.predict(wdf)))

正常运行后输出为True，如果依旧为False，可重点排查训练数据是否在fit和predict之间被修改。

内容的提问来源于stack exchange，提问作者Saif