PCA vs TSNE vs MDS（审查集群）答案

【问题标题】：PCA vs TSNE vs MDS (review cluster)PCA vs TSNE vs MDS（审查集群）
【发布时间】：2019-08-04 04:31:31
【问题描述】：

我有一个来自 Movielens 评论的众所周知的数据集，我希望对用户进行聚类以获得电影品味。

我从这样的数据集开始：

idUser iDmovies review
1       2       1
1       10      2
5       5       5
5       10      2

最初我创建了一个包含用户 x 电影的矩阵，并以这种方式填充评论值：

       movieid
idUser  2    5   10
    1   1    0    2               
    5   0    5    2

我的矩阵非常稀疏，所以我应用矩阵分解来填充值，现在我以这种方式拥有一个矩阵（只是一个示例）：

          movieid
    idUser  2    5   10
        1   1    -2    2               
        5   -2    5    2

知道在这个数据集上应用 PCA o TSNE 或 Kmeans 有意义吗？还是最好申请MDS？

我尝试在此数据集上应用 PCA，结果如下：

我做了这个：

我的问题是： 我认为这不是很好的集群方式。对你们来说，这是有意义的集群吗？用全矩阵做这件事有意义吗？

我在 Iris 数据集中看到了示例，并且将创建集群，因为 Iris 的值具有非常相似的值。在我的情况下，一个用户可以在一个组件上为 5，而在另一个组件上为 -5（太远）......所以对我来说这可能没有意义......对吧？

为了澄清，我希望添加一个我的矩阵审查屏幕：

我真的很喜欢这个..

【问题讨论】：

【解决方案1】：

在诸如movielense数据之类的数据集上，聚类通常不会像人们天真期望的那样起作用。

这就是为什么对于推荐系统您使用例如基于因子和基于项集的方法。

【讨论】：

感谢您的回复。我构造了一个矩阵分解来填充“缺失值”。这种方式似乎可行，因为对于喜欢“星球大战”的用户建议看其他类似的电影。顺便说一句，我希望在图中可视化，所以在我应用 PCA 和 T-SNE 之后，只是因为我认为，我拥有所有指标，我尝试计算距离