【发布时间】：2021-12-20 14:48:50
【问题描述】：
我有一个可视化，绘制 k 表示具有主成分分析 (PCA) 值的集群。 据我了解。 PCA 是一种算法，可以将大量数据缩减为更小的数据，以便我们更好地进行可视化。
我可以将我的可视化解释为大多数数据彼此相似，这就是它们彼此聚集的原因吗？
【问题讨论】：
-
这似乎不是与 python 相关的问题。
【发布时间】：2021-12-20 14:48:50
【问题描述】：
PCA 将初始特征空间投影到低维空间。不过要小心，在应用 PCA 之后，特征不是初始特征，而是特征向量。这就是为什么 PCA 属于特征转换的范畴。
关于您的问题，似乎采用前两个特征向量（也就是具有最大特征值的特征向量）没有帮助。但是，我建议在得出“我的数据无法聚类”的结论之前尝试以下操作：
- PCA 是一种线性变换。您的数据可能比您预期的要复杂，因此，您需要引入一些非线性。这意味着您应该训练一个自动编码器，以便将您的数据投影到较低维度的空间中
- K-means 或多或少地产生相同半径的球形簇。您的数据可能很容易出现这种情况。尝试其他算法，例如高斯混合模型或 DBSCAN
- 尝试 3D。引入第三个特征向量并在 3D 中绘图。您可能会惊讶地发现您的数据毕竟是可分离的
我看到了 3 个集群，请注意如何确定集群的数量。
【讨论】：