在聚类（意味着，例如）当我有特征和创建模型后（用这个特征）可视化这个模型我需要减少这个尺寸成或者尺寸，假设我将使用（PCA）来举例。
我的问题是如何分析结果（带主成分的葡萄）？
这是一个简单的例子：
不减数据：AGE,GENDER,SPENT,SALARY,CAR,.....
降维后的数据：
主成分, 主成分, 主成分 3
PC1,PC2,PC3是什么意思
K 表示用 PCA 降维后的可视化
数据挖掘
机器学习
聚类
主成分分析
降维
2022-03-16 21:26:47
3个回答
K-means 最小化平方和误差，而 PCA 找到具有最大平方和的投影。所以他们是很自然的搭配。
只需运行 k-means 并将其投影到 2d 以使用 PCA 进行可视化。他们在很大程度上以与 k-means 相同的方式查看数据（如果您只使用旋转，而不是缩放！）
我更关心的是输入数据，因为它既不适合 k-means 也不适合 PCA。因此，如果结果几乎无法解释，我不会感到惊讶。如果输入变量是连续的并且具有相同的规模，这两种方法最有意义。
主成分是相互正交的方向，第一个组件应具有最大的差异。
为了获得它们，您将数据投影到协方差矩阵的前导特征向量。
然后你可以执行- 表示在投影数据上并用不同的颜色为每个组着色，以方便可视化。
主成分是您的特征在 3 个方向上的投影结果，这些方向带有很大的方差和最小的信息丢失（例如，当您进行投影并将其从 3-D 减少到 2-D 时，您会丢失一点信息）。换句话说，您可以说 PC 1、PC 2 和 PC 3 在某种程度上是您用于 PCA 的所有功能的组合。