• K-means 算法具有检索哪些是您的数据用于了解唯一类的“边界”的能力，您可能找不到唯一类边界与您的 k-means 算法找到的边界相同. 这是将 k-means 与一类分类进行比较的风险：聚类可以从一类分类中寻找不同的事物。

• 这个答案可能会引导您找到另一个解决方案。

如何进行一类分类的模型选择？

高斯混合模型可以看作是 k-means 的泛化，具有软（概率）集群分配而不是硬集群分配。它可以并且经常用于一类设置中。它允许多个高斯分量和集群的非球形形状，这对于许多数据集来说可能是一个优势。但是，如果限制为具有球形协方差矩阵的单个分量，则它与 k-means 非常相似。