任务如下：我有一些我不太了解的数据。最后的任务是构建一个分类器，将样本分为几类。有些类别非常清晰，我们可以轻松地将它们用作分类器的标签。但我想可能还有更多有用的类别，因为现在我的大多数样本都不属于任何类别。由于我不是特定领域的专家，我想使用一些聚类算法来展示可能的标签想法。当使用传统的聚类算法时，他们会在我不感兴趣的数据中找到各种模式。
所以我正在寻找一种方法来告诉算法：“嘿，在我的数据中找到一些集群，但请考虑现有的集群（或标记的数据）。” 这应该告诉聚类算法我对什么感兴趣，对什么不感兴趣。
这样的事情存在吗？或者任何其他想法如何解决寻找额外标签的问题？
顺便说一句：就我而言，我正在做 NLP。
您正在描述半监督学习，其中训练数据集仅被部分标记。
解决该问题的一组常见技术是主动学习。在主动学习中，有一个学习循环，其中算法做出预测，而人类纠正这些预测。
预聚类是一种特定的主动学习技术，用于解决您描述的问题。目标是重复选择最具代表性的训练示例来添加新标签，并避免重复标记同一集群中的样本。Nguyen 和 Smeulders 的“ Active Learning Using Pre-clustering ”进行了更详细的介绍。
你基本上有部分标记的数据。无论标签如何，您都可以进行聚类，然后将未标记的数据分配给您在其集群中找到的大多数标签。
可以使用 KNN 完成相同的方法。只需简单地在训练数据的验证拆分上尝试具有不同 K 和指标的 KNN，当它显示出良好的性能时，将其应用于整个数据并猜测未标记样本的标签。