我正在对客户的客户进行分类。但是，数据是流动的，集群可以每天更换。
每天运行新集群以更新用户集群很困难，因为Kmeans在标记集群方面不一致。
如果我们聚类，然后训练数据说用神经网络或XGBoost并向前移动只需预测聚类。这有意义还是做事的好方法？
是的，它确实有意义，它只是那时的常规分类任务。在进入神经网络之前，您应该为群集分配足够的数据。
另一方面，为什么不预测新点的簇而不是更新它们（你可以在sklearn's docs中看到适合和预测的单独方法，尽管它取决于你使用的技术）？请记住，神经网络只会像它的输入一样好（K-Means集群），它的预测可能与K-Means类似。
此外，NN更复杂，更难训练，也许那些不应该是你的首选。
您也可以检查模糊聚类的概念，因为数据是流动的，它可能更适合您的情况。也许autoencoders作为获取潜在变量的方法也可能有用。