有没有办法理解为什么 K-Means 使用特定变量进行聚类？答案

【问题标题】：Is there a way to understand why K-Means uses a specific variable for clustering?有没有办法理解为什么 K-Means 使用特定变量进行聚类？
【发布时间】：2022-01-27 04:00:14
【问题描述】：

我对 R 和集群非常陌生，目前我正在做作业。任务是对一家住房公司的数据进行聚类，以便根据结果更好地了解和调整其业务模式。

可以在here找到原始数据集。我删除了一些列，因为（根据作业）它们不相关。在 R 中看起来像这样：

我使用 K-Means 来执行聚类。

#use Elbow Method in order to understand how many clusters are needed.
set.seed(123)

fviz_nbclust(clustering, kmeans, method = "wss")

#perform k-means
k2 <- kmeans(clustering, centers = 10, nstart = 25)
str(k2)

fviz_cluster(k2, data = clustering)

结果是：

看起来 K-Means 使用 sqft_lot 来创建集群。这是算法自动选择的变量，还是我可以手动选择和设置聚类变量？我只是不确定 sqft_lot 是否是最佳选择。

目前我对结果不太满意。我不确定它是否真的以当前形式提供有价值的信息。

【问题讨论】：

在我看来，在开始编写脚本之前，您应该首先弄清楚您的结果应该是什么样子。你想得到什么信息？另外，你尝试了什么？您收到了哪些错误消息？您是否阅读了有关 k-means 聚类的 r 文档？ -- PS 你的链接失效了。
您如何得出 kmeans“使用 sqft_lot 创建集群”的结论？您是否将聚类算法与fviz_cluster 的可视化混淆了？
@D.J 抱歉，我修复了死链接。感谢您提出这些问题。一方面，我期望算法根据数据的相似性将住房数据聚类成簇。另一方面，我也开始编写脚本，想看看结果会怎样，看看我是否朝着正确的方向前进。到目前为止，我还没有收到任何错误。我也在 k-means 之前尝试了 Hierarchical Clustering，但是绘制数据是一个问题，所以我选择了 k-means。
@cdalitz 我不是 100% 肯定，但我假设这是因为绘制的值（例如 8093、7253、3915）都是来自“sqft_lot”列的值。如果这些值来自算法本身，它们是什么意思/为什么会显示为“随机”数字？如何正确解释它们？谢谢。
我很确定为每个点打印的数字是 ID，而不是任何列的值。 Dim1 和 Dim2 是 PCA 的前 2 个主成分；它们不是数据框中的直接列。 K-means 使用您提供的所有列作为输入，而不仅仅是一个。首先阅读一些关于 k-means 聚类如何工作以及如何使用它做出决策的概述可能会有所帮助，例如这些信息是否对您的目的有用

标签： r k-means

【解决方案1】：

您将聚类与图中的二维投影混淆了。聚类使用所有维度，但在图中，8 维数据点被投影到 2 维空间。

这种投影方法称为“多维缩放”（MDS）。 MDS 有不同的算法，但大概fviz 使用 PCA，这是一种投影到具有最高方差的两个方向的方法。由于sqft_lot 是方差最大的变量，它支配了投影空间中的一个方向。

【讨论】：

感谢您的详细说明！在花了一天的时间之后，我绝对可以确认您是对的：我将聚类与图中的二维投影混淆了。