当然，最简单的方法是2.，将每个对象分配给最接近的质心（从技术上讲，使用平方和，而不是欧几里得距离；这对于k均值更为正确，并节省了sqrt计算）。

方法1.是脆弱的，因为k均值可能会为您提供完全不同的解决方案；特别是如果它在一开始就无法很好地适应您的数据（例如，维数过高，大小不同的集群，集群太多，…）

但是，以下方法可能更加合理：

3.训练实际的分类器。

是的，您可以使用k-means产生一个初始分区，然后假设k-means分区可以是合理的类（尽管您 确实
应该在某个时候对此进行验证），然后继续进行，如果数据已经用户标记。

即运行k-均值，在生成的群集上训练SVM。然后使用SVM进行分类。

k-NN分类，甚至将每个对象分配给最近的聚类中心（选项1），都可以视为非常简单的分类器。后者是一个1NN分类器，仅在群集质心上进行“训练”。