如何使用Kmeans进行分类

Question

我不熟悉聚类和K-means算法，我想把一些句子分为两类。如果我有以下句子：

 sentences =  ["I didn't enjoyed the film", "the weather is nice", "The food was great last night", "our dog if very friendly"]

如何使用kmeans将它们分为两个集群？我知道我必须使用model = KMeans(init="random",n_clusters=2,random_state=42)，但我不知道如何才能使句子更好地应用于它们。另外，我如何在结尾处打印句子及其所属的簇号？非常感谢

Answer 1

K-means算法适用于数字数据，因此处理文本时的关键步骤是将文本转换为可用于聚类的数字表示

有许多方法可以将文本表示为数字（从简单的字数到复杂的算法），选择取决于您的时间和经验

简单步骤如下：

• 文本预处理（去除坏字符）
• 文本矢量化（将文本转换为数字）
• 分类（你的K-均值步骤）

我建议阅读一篇教程，因为在聚类之前有很多步骤会对结果产生很大的影响，例如文本清理和向量化，这些步骤可以更好地深入进行

如果你想快点完成的话

from sklearn.cluster import KMeans
from sklearn.feature_extraction.text import TfidfVectorizer

sentences =  ["I didn't enjoyed the film", "the weather is nice", "The food was great last night", "our dog if very friendly"]
vectorizer = TfidfVectorizer(stop_words='english',
                             use_idf=True)

X = vectorizer.fit_transform(sentences)
km = KMeans(n_clusters=2)
km.fit(X)
print(list(zip(sentences, km.labels_)))

这会聚集在一起，但由于单词数量较少，它可能不会显示任何有趣的内容