Scikit learn 解释聚类度量

我在Scikit学习中使用k-means对398个样本、306个特征进行聚类。特征矩阵稀疏，聚类数为4。 为了改进集群，我尝试了两种方法：

聚类后，我使用ExtraTreesClassifier（）对特征重要性进行分类和计算（在聚类中标记的样本）

我使用PCA将特征维数减少到2。 我计算了以下指标（，）

我的问题是：

据我所知，如果平方和越小，聚类方法的性能越好，而如果轮廓接近1，聚类方法的性能越好。例如，与第一行相比，最后一行的平方和和和轮廓都增加了

如何选择性能更好的方法

不要在不同的投影、变换或数据集之间比较平方和和和类似的度量

要了解原因，只需将每个特性乘以0.5，您的SSQ将下降0.25。所以要“改进”你的数据集，你只需要把它缩小到一个很小的尺寸

---

这些指标只能用于完全相同的输入和参数。你甚至不能用平方和来比较不同k的k均值，因为较大的k将获胜。你所能做的就是多次随机尝试，然后保持用这种方法找到的最佳最小值。

有306项功能，你就在下面。306个维度的聚类没有意义。因此，我不会在聚类后选择特征

要获得可解释的结果，您需要降低维度。对于398个样本，您需要低维度（2、3、也许4）。维度为2的PCA很好。你可以试试3

---

在聚类之前选择重要特征的方法可能会有问题。无论如何，2/3/4“最佳”功能在您的情况下有意义吗？

因为这是一个关于群集诊断的问题，我认为它更适合于感谢您。我也这么做了。现在，我规范化了特征，然后我使用PCA将维度缩减为4。结果PCA成分覆盖了58%的特征方差。

    Method                   sum_of_squares, Calinski_Harabasz, Silhouette

    1 kmeans                    31.682        401.3            0.879
    2 kmeans+top-features       5989230.351   75863584.45      0.977
    3 kmeans+PCA                890.5431893   58479.00277      0.993