我是机器学习的新手，我有以下问题。假设我已经对一些数据实现了分类算法，并且识别出分类算法的最佳特征组合。如果有一天我从同一资源中获取数据，而这些数据在之前的分类任务中缺少目标特征，我可以将分类的最佳特征组合直接用于聚类任务吗？ （我知道我可以使用我训练的模型来预测数据的目标，但我只想知道分类和聚类算法之间的最佳特征组合是否相同）
我已经搜索了网站和我知道的任何资源，但我找不到我的问题的答案，有人可以告诉我或给我一个链接吗？谢谢！
【问题讨论】：
标签： machine-learning classification cluster-analysis
可能还不够好。
例如，可以分析决策树或随机森林以获得特征的重要性。但这不会告诉你需要什么样的预处理（特别是缩放和加权）才能对它们进行聚类（特别是分类特征很难使用，任何不连续或倾斜的东西都很难）。
此外，数据往往会随着时间而变化。曾经很重要的功能（例如 Facebook 点赞）现在已无用。
【讨论】：
我会说是的，只要目标的性质在两种情况下都是相同的。理想情况下，我们想要的是在 N 空间中相互正交（垂直）的可处理数量的特征，以便每个特征都能最大程度地促进预测。
举个具体的例子，T恤衫是大码还是小码。给你的数据显示，在制造过程中，有一点材料收缩，这意味着 T 恤出来的时候有点不规则，并且收缩在高度和宽度之间变化，但不会很大。数据显示高度、宽度和颜色，您要决定它们是在大组中还是在小组中。您发现高度和宽度很重要，但颜色并不重要，因此您决定将高度和宽度作为分类特征。
重要的一点是，这两个特征已被确定为彼此最正交的特征，这应该适用于分类或聚类上下文。集群的数量仍然是一个有待检验的因素。
【讨论】：