Python 对于低密度差异的多维数据，哪种聚类算法最好？

我目前正在从事一个项目，我希望对多维数据进行聚类。我尝试了K-Means聚类和DBSCAN聚类，它们都是完全不同的算法

K-Means模型返回了相当好的输出，它返回了5个簇，但我已经读到，当维度较大时，欧几里德距离失败，因此我不知道我是否可以信任该模型

在尝试DBSCAN模型时，该模型生成了大量噪声点，并将大量点聚集在一个簇中。我尝试了KNN距离图法来寻找模型的最佳每股收益，但我似乎无法使模型工作。这导致了我的结论，可能绘制的点的密度非常高，可能这就是我在一个簇中获得很多点的原因

---

对于集群，我使用了10列不同的数据我应该更改我使用的算法吗？对于多维数据和密度变化较小的数据，有什么更好的算法？

也许这会给你一些启示：

---

我建议你试试看。希望有帮助

您可以首先使用PCA/LDA/t-sne或自动编码器对数据集进行降维。然后运行standart的一些聚类算法

---

另一种方法是可以使用奇特的深度聚类方法。这非常好地解释了他们如何在高维数据集上应用深度聚类

嗨。这个问题是合理的，但可能更适合这类问题，你会更快地得到答案。堆栈溢出更多的是关于一般的软件开发，然后是机器学习。好的，谢谢！我会查出来的谢谢！它确实给出了不同算法的用例，我会检查一下。你对我的问题有什么建议吗？如果K-Means不能提供令人满意的结果，我会建议亲和传播、凝聚聚类或光谱聚类。我想尝试一下PCA，但实际上没有做到。我试试你的建议。我只是有点怀疑，这可能有点愚蠢，但PCA中的降维是否意味着消除维度？PCA使用正交变换将特征转换为线性不相关的特征。因此，PCA创建了新的主要组件（新功能而不是旧功能），它们是您的功能的混合。您可以指定部件编号（新尺寸）。如果您能帮助他人，请接受答案。我知道我有点晚了，无法将您的答案标记为正确答案。我花了一些时间来理解PCA和t-SNE，但我最终感到满意。我将PCA与t-SNE配对，使用PCA进行降维，使用t-SNE可视化不同聚类程序的结果。谢谢你的回答！