Python 如何解释聚类结果？

假设我有一个高维数据集，我假设它可以通过某种聚类算法很好地分离。然后我运行算法，最后得到我的集群

是否有任何方式（最好不是“黑客”或某种启发式）来解释“在使集群A的成员（例如）成为集群A的一部分时，哪些特征和阈值是重要的？”

我已经尝试过寻找集群质心，但对于高维数据集来说，这会变得单调乏味

我还尝试将决策树拟合到集群中，然后查看该树以确定给定集群的大多数成员遵循哪个决策路径。我还尝试将SVM拟合到我的聚类中，然后对最接近质心的样本使用石灰，以便了解在质心附近分类时哪些特征是重要的

---

然而，后两种方法都需要在无监督的环境中使用监督学习，我感到“不舒服”，而我想要更扎根的方法。

您是否尝试过使用PCA或其他降维技术并检查集群是否仍然有效？有时关系仍然存在于较低的维度中（注意：这并不总是有助于人们理解数据）。关于可视化MNIST数据的很酷的文章。我希望这有点帮助

您有基于密度的DBSCAN聚类（以及其他基于密度的聚类方法）。您将得到紧凑的集群。对于这些集群中的每一个，您最终可以看到有助于形成集群的功能

---

您还了解到，Dencule、OptiGrid和BIRCH是处理大型数据集的合适聚类算法，尤其是Dencule和OptiGrid，它们也可以处理高维数据。它们的使用方式与DBSCAN相同，可以找到最有贡献的功能。

不要将聚类算法视为黑盒

---

是的，k-means使用质心。但大多数高维数据的算法都没有（也没有使用k-means！）。相反，他们通常会选择一些特征、投影、子空间、流形等。因此，看看实际的聚类算法提供了什么信息

我担心查看均值的质心可能是k均值聚类的最佳选择Tanks@modesitt，是否还有其他聚类算法可以产生更可解释的结果？这并不能回答OP的问题。这些方法如何帮助解释？它们可以形成不同形状和大小的簇，因此它们比形成凸簇的k-均值更好地帮助解释（凸簇并不总是反映现实）。对于大数据和高维数据，k-means的速度也更快。k-means还可以形成不同形状和大小的簇，包括非凸簇。如果这些算法有助于解释性，我建议你编辑你的答案以包含这些信息。我应该补充一点，虽然可以用k-均值找到凸簇，但通常是边缘情况，你不应该使用这种算法。