英文:
When using scikit-learn K-Means Clustering, how can you extract the centroids in original data domain?
问题
我正在使用sklearn KMeans k均值聚类算法。在进行聚类之前，我使用以下代码将我的数据归一化到[0,1]范围内：
scaler = MinMaxScaler()
scaled_features = scaler.fit_transform(data)
现在，我可以运行K均值算法：
kmeans = KMeans(
init="random",
n_clusters=3,
n_init=10,
max_iter=3000,
)
kmeans.fit(scaled_features)
然后，我可以使用kmeans.cluster_centers_提取3个聚类中心。然而，这些中心位于归一化的范围[0,1]内。如何将它们重新转换为原始数据范围？
英文:
I am using the sklearn KMeans k-means clustering algorithm. Before clustering, I normalize my data from [0,1] using
scaler = MinMaxScaler()
scaled_features = scaler.fit_transform(data)
Now, I can run the K-means algorithm.
kmeans = KMeans(
init="random",
n_clusters=3,
n_init=10,
max_iter=3000,
)
kmeans.fit(scaled_features)
Then, I can extract the 3 cluster centroids using kmeans.cluster_centers_. However, these centroids are in the normalized domain [0,1]. How can I re-transform these to the original data domain?
答案1
得分: 1
将坐标缩放到[0,1]范围内，然后使用scaler.inverse_transform将它们转换回原始坐标。
英文:
Get the corrdinates in [0,1] scale , then use scaler.inverse_tranform to convert them to the original coordinates.
通过集体智慧和协作来改善编程学习和解决问题的方式。致力于成为全球开发者共同参与的知识库，让每个人都能够通过互相帮助和分享经验来进步。
评论