用 PCA 解释 K-Means 聚类答案

【问题标题】：Interpretation K-Means clustering with PCA用 PCA 解释 K-Means 聚类
【发布时间】：2021-11-18 09:16:17
【问题描述】：

我已经在一个数据集上实现了 K-Means 聚类，其中我使用 PCA 将维度减少到了 2 个特征。

现在我想知道如何解释这个分析，因为轴上的变量有任何参考。鉴于这种疑问，我还想知道在使用 PCA 调整大小的数据集上实施 K-Means 是否是一种好习惯。

如何解释这种聚类？

谢谢！

【问题讨论】：

【解决方案1】：

很难就您的问题给出答案，因为它不够具体，而且我不知道您研究的数据和客观问题。所以，如果有帮助，让我从一般的角度回答你的问题。

首先，PCA 严格降低了分析的可解释性，因为它根据变量的线性关系减少了维度，并且您不能再命名减少的组件。此外，在 PCA 之前检查变量之间的相关分数，以了解多少 PCA 会成功，并检查 PCA 解释的方差。解释方差比越低，信息损失越大。所以它可能会误导你的思想。

如果你的目标是分析数据并做出推论，我建议你不要降维。您只有 3 个维度。您可以在没有 PCA 的情况下应用 K-Means 并以 3D 形式绘制它们。 Matplotlib 和 plotly 为此提供了交互功能。

但是，如果您的目标是构建机器学习模型，那么如果它们高度相关，您应该减少维度。这对您的模型大有裨益。

最后，在 PCA 之后应用 K-Means 并不是不能做的事情，而是会给解释带来困难。

【讨论】：