如何解释 k-means 聚类的结果？

Question

我目前正在使用 NTSB 航空事故数据库进行一些分析。该数据集中的大多数航空事故都有原因陈述，描述了导致此类事件的因素。

我在这里的一个目标是尝试对原因进行分组，而聚类似乎是解决此类问题的可行方法。在开始 k-means 聚类之前，我执行了以下操作：

1. 停用词去除，即去除文本中一些常用的功能词
2. 文本词干提取，即去除单词的后缀，必要时将术语转换为最简单的形式
3. 将文档向量化为 TF-IDF 向量，以放大不太常见但信息量更大的单词，并缩小高度常见但信息量较少的单词
4. 应用SVD降低向量的维数

在这些步骤之后，k-means 聚类被应用于向量。通过使用从 1985 年 1 月到 1990 年 12 月发生的事件，我得到以下结果，其中包含 k = 3 的集群数：

（注意：我正在使用 Python 和 sklearn 进行分析）

... some output omitted ... 
Clustering sparse data with KMeans(copy_x=True, init='k-means++', max_iter=100, n_clusters=3, n_init=1,
    n_jobs=1, precompute_distances='auto', random_state=None, tol=0.0001,
    verbose=True)
Initialization complete
Iteration  0, inertia 8449.657
Iteration  1, inertia 4640.331
Iteration  2, inertia 4590.204
Iteration  3, inertia 4562.378
Iteration  4, inertia 4554.392
Iteration  5, inertia 4548.837
Iteration  6, inertia 4541.422
Iteration  7, inertia 4538.966
Iteration  8, inertia 4538.545
Iteration  9, inertia 4538.392
Iteration 10, inertia 4538.328
Iteration 11, inertia 4538.310
Iteration 12, inertia 4538.290
Iteration 13, inertia 4538.280
Iteration 14, inertia 4538.275
Iteration 15, inertia 4538.271
Converged at iteration 15

Silhouette Coefficient: 0.037
Top terms per cluster:
**Cluster 0: fuel engin power loss undetermin exhaust reason failur pilot land**
**Cluster 1: pilot failur factor land condit improp accid flight contribute inadequ**
**Cluster 2: control maintain pilot failur direct aircraft airspe stall land adequ**

我生成了如下数据的绘图图：

结果对我来说似乎没有意义。我想知道为什么所有的集群都包含一些常见的术语，比如“pilot”和“failure”。

我能想到的一种可能性（但我不确定它在这种情况下是否有效）是具有这些常用术语的文档实际上位于绘图图的中心，因此它们不能有效地聚集成一个正确的簇。我相信这个问题不能通过增加集群的数量来解决，因为我刚刚这样做了，这个问题仍然存在。

我只是想知道是否还有其他因素可能导致我面临的情况？或者更广泛地说，我是否使用了正确的聚类算法？

谢谢。

Answer 1

我不想成为坏消息的传播者，但是……

1. 聚类是一种非常糟糕的探索技术 - 主要是因为没有明确的、面向任务的目标，聚类技术实际上专注于优化某些数学标准，而这些标准与您想要实现的目标几乎没有任何关系。因此，k-means 特别会寻找从集群中心到集群内所有点的欧几里得距离的最小化。这是否与您想要完成的任务有关？通常答案是“不”，或者最好的情况是“我不知道”。
2. 将文档表示为词袋会导致您的数据非常笼统，因此这不是区分相似对象的好方法。这种方法可以用来区分关于枪支的文本和关于曲棍球的文本，但不能区分来自同一领域的专业文本（这里似乎就是这种情况）
3. 最后 - 您无法真正评估集群，这是最大的问题。因此，没有成熟的拟合最佳聚类的技术。

所以，回答你最后的问题

我只是想知道是否还有其他因素可能导致我面临的情况？

有成千上万个这样的因素。从人类的角度来看，在数据中找到实际的、合理的集群是非常困难的。找到任何聚类都非常简单——因为每种聚类技术都会找到一些东西。但是为了找到这里重要的内容，我们必须在这里进行整个数据探索。

或者更广泛地说，我是否使用了正确的聚类算法？

可能不是，因为 k-means 只是一种最小化欧几里得距离内部聚类总和的方法，因此它在大多数现实世界的场景中都不起作用。

不幸的是，这不是那种你可以问“使用哪个 alogirhtm？”的问题。有人会为您提供准确的解决方案。

你必须挖掘你的数据，弄清楚：

• 表示方式 - tfidf 真的很好吗？你预处理过词汇吗？删除无意义的词？也许考虑进行一些现代单词/文档表示学习是值得的？
• 数据结构 - 为了找到最佳模型，您应该将数据可视化、调查、运行统计分析，并尝试找出什么是基础指标。有没有合理的积分分配？这些是高斯人吗？高斯混合？你的数据稀疏吗？
• 能否提供一些专业知识？也许您可以自己划分部分数据集？与任何无监督技术相比，半监督技术的定义要好得多，因此您可能很容易获得更好的结果。