我有一个带有标签的图像数据集。l 将它们放入k-means算法中（作为特征提取器）。现在，我想使用这种新的图像表示（从 k-means 算法中提取的特征）作为 SVM 分类器的输入。我怎么能这样做？簇数 k=400，图像数=1000。
但是，我只有质心向量（400 个质心）
l 需要获得每个图像相对于质心的表示。
编辑1
包更新
from sklearn import mixture
gmm = mixture.GMM(n_components=6).fit(X)
现在我想用不同的 k=range(50,500) 运行 k-means，我怎样才能得到每个 k 的距离？执行以下操作是正确的：
K=range(50,500)
KM=[KMeans(n_clusters=k).fit(X) for k in K]
distances = [np.column_stack([np.sum((X - center)**2, axis=1)**0.5 for center in C.cluster_centers_]) for C in KM]
每个观察值的 k-means 算法的“预测”只是相应的质心。因此，您可以获取预测质心的向量并将其用作分类特征（可能是单热编码）。
但这只是一个功能。只需少量编码，您就可以做得更好。例如，您可以找到每个样本到每个样本的距离集群中心，因此创建新特性。一个 Python 示例：
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from sklearn.svm import SVC
import numpy as np
iris = load_iris()
X = iris['data']
y = iris['target']
kmeans = KMeans(n_clusters=6).fit(X)
distances = np.column_stack([np.sum((X - center)**2, axis=1)**0.5 for center in kmeans.cluster_centers_])
svm = SVC().fit(distances, y)
另一种（可能更简单的方法）是拟合高斯混合模型（例如通过scikit-learn）。它类似于 k-means，但对于每个观察，都会产生一个集群上的概率分布，而不是单个集群标签。这些预测聚类概率的向量也可以用作特征。
from sklearn.mixture import GaussianMixture
gmm = GaussianMixture(n_components=6).fit(X)
proba = gmm.predict_proba(X)
svm2 = SVC().fit(proba, y)