使用PCA或类似的东西从文本文件中获得聚类分配的可视化？
PCA（Principal Component Analysis，主成分分析）是一种常用的降维技术，用于从高维数据中提取主要特征并进行可视化。它通过线性变换将原始数据映射到一个低维空间，使得数据在新的空间中具有最大的方差。
在文本文件中获得聚类分配的可视化，可以按照以下步骤进行：
- 数据预处理：首先，需要对文本文件进行预处理，包括去除停用词、标点符号和数字，进行词干提取或词形还原等操作，以获得干净的文本数据。
- 特征提取：使用合适的特征提取方法，将文本数据转化为数值特征向量。常用的方法包括词袋模型（Bag of Words）、TF-IDF（Term Frequency-Inverse Document Frequency）等。
- PCA降维：将提取的特征向量作为输入，应用PCA算法进行降维。PCA会计算特征向量的协方差矩阵，并找到最能代表数据方差的主成分。
- 聚类分析：对降维后的数据进行聚类分析，常用的算法包括K-means、层次聚类等。聚类算法将数据划分为不同的簇，每个簇代表一个聚类。
- 可视化：使用可视化工具（如Matplotlib、Plotly等），将降维后的数据在二维或三维空间中进行可视化展示。可以使用散点图或热力图等方式，将不同聚类的数据点以不同颜色或形状进行标记。
腾讯云相关产品推荐：
- 腾讯云自然语言处理（NLP）：提供了文本分词、词性标注、命名实体识别等功能，可用于文本数据的预处理。
- 腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）：提供了PCA等降维算法和聚类算法的实现，可用于数据处理和分析。
- 腾讯云数据可视化（Data Visualization）：提供了丰富的可视化工具和图表库，可用于将聚类结果进行可视化展示。
以上是对使用PCA或类似方法从文本文件中获得聚类分配的可视化的完善且全面的答案。
相关·内容
1回答
如何解释PCA形成的集群可视化。假设我有13个变量A，B，C.....在我的数据集中，我想看看它们在无监督learning.As中的表现，你不能用所有的13个变量来可视化集群。在这种情况下，我将使用PCA进行降维，然后绘制聚类。我应该如何解释由PCA的2个维度形成的集群。
浏览 9提问于2018-02-07得票数 0
1回答
可视化PCA变换后的数据
、、、、
我有一个数据集，我想用k-means对其进行聚类。
作为之前的任务，我对这些数据运行PCA，并确定了两个组件，这两个组件代表了我的数据集几乎90%的信息。我想要可视化这两个组件，以便得出一些见解。
pca = PCA(n_components=2)
data_trans = pca.fit_transform(data)
plt.scatter(data_trans[:, 0], data_trans[:, 1])
接下来，我尝试从转置的矩阵中可视化相同的转换后的数据
pca = PCA(n_components=2)
data_trans = pca.fit_transform(d
浏览 2提问于2015-11-28得票数 1
我一直在玩sklearn的k均值聚类类，我对它的预测方法感到困惑。
我在虹膜数据集上应用了如下模型：
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
pca = PCA(n_components = 2).fit(X_train)
X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)
kmeans_pca = KMeans(n_clusters=3).fit(X_tr
浏览 11提问于2022-07-04得票数 2
回答已采纳
3回答
一种可视可分簇的聚类算法
、、、、
在使用PCA之后，我已经在2D中可视化了一个数据集。1维是时间，Y维是第一个PCA分量。如图所示，点(A，B)之间有相对较好的分离。但不幸的是，聚类方法(DBSCAN，SMO，KMEANS，Hierarchical)不能将这些点聚类到两个聚类中。正如你在A部分看到的，有一个相对的连续性，这个连续的过程结束了，B部分开始了，与A和B之间的过去数据相比，有相当大的差距。
如果您能向我介绍任何方法和算法(或从数据中设计考虑其分布的任何度量)，以便能够在不可视化的情况下在A和B之间进行分离，我将不胜感激。非常感谢。
这是上图的两个PCA分量的图(第一个)。另一个是其他数据集的组件图，我也得到
浏览 3提问于2016-07-30得票数 1
1回答
这可能是我要问的这个天真的问题。我有一个标记语料库，我训练了Gensim的Word2vec模型。代码如下
site = Article("http://www.datasciencecentral.com/profiles/blogs/blockchain-and-artificial-intelligence-1")
site.download()
site.parse()
def clean(doc):
stop_free = " ".join([i for i in word_tokenize(doc.lower()) if i not in s
浏览 4提问于2017-07-31得票数 0
回答已采纳
1回答
菜鸟来帮忙了。
因此，我正在使用亲和性传播APcluster对数据集进行一些聚类。现在我有几个问题想要解决：
1:可视化，当有超过15个特征时，很明显Plot()函数不喜欢我的表。有什么方法可以绕过这个吗？
2:与1相关，所以我想我可以通过使用PCA或检查相关性来减少表中的特征。前者将给我2-3个关键组件来工作，而后者应该允许我消除多余的组件。然而，主成分分析并不是很好，PCA1和2只占22%……
那么，有没有机会构建一个循环，在这个循环中，我可以从表中随机选择一个特征并将其丢弃，用剩余的特征运行APcluster，然后对所有特征重复这个过程。并比较得到的聚类结果，以查看哪些特征是冗余的，哪些
浏览 23提问于2020-03-18得票数 0
回答已采纳
1回答
我是数据科学的新手，我在处理我的项目时遇到了一些问题。我试图使用许多方法将多维数据可视化为2D。(kmeans，DBSCAN，光学，凝聚，光谱.)
我有多维数据。(11列-属性，150 K行-数据数目)。例如，数据有点稀疏，这意味着一个数据的数值为(0，0，6.5，0，0，0，7.5，0，0，4.5，0，0)。
因此，每个数据大约有2~5个非零属性值.
下面与我的项目不完全相同，但它是相似的。
https://scikit-learn.org/stable/auto_示例/群集/情节_集群_comparison.html
但是，由于我是新手，我对PCA和聚类的顺序很好奇。我认为有两种情况。
1
浏览 0提问于2019-05-15得票数 4
回答已采纳
我正在做聚类工作，我有90个特征，有13500个数据点，去除了相关变量，其中皮尔逊相关性超过90%，我的特征空间减少到70个。而且，几乎所有我最初的90个特性都有大量的零值(超过70%-80%的数据点)。我在算法实现方面所做的是：
Ran K-通过根据轮廓指数选择聚类数来表示原始数据的70个特征(均为数字)。
Ran K-通过根据剪影索引选择簇数将维度降到2。
我所观察到的和我相应的问题是：
K-表示pca减少的数据提供了更好的聚类。有什么办法可以让我用这个集群来解释吗？就像从pca分配聚类标签一样，将数据减少到原始数据
原始数据上的K-均值和pca上的K-均值是如何不同的？我知道pca会将数
浏览 0提问于2020-01-21得票数 3
2回答
我是StackExchange的新手，所以如果这不是在StackExhange上提问的正确方式，我很抱歉。
在本文中，我希望为以后的研究提出一种方法，即利用主成分分析对特征进行聚类(特征聚类)，然后应用于每个聚类主成分分析。我从这篇论文中得到了这样的想法：本论文。但是，我很难找到关于PCA用于聚类变量(而不是减少变量)的文献。我可以想象，使用PCA对变量进行聚类并不理想，但我仍然想提出该方法。你们中有谁知道任何文献、文章、书籍等。
浏览 0提问于2022-05-09得票数 0
2回答
我不清楚为什么k-均值聚类在簇中会有重叠。从陈(2018)身上我看到了以下定义：
"..let观测结果是一个样本集，被划分为K个不相交的簇“
然而，我看到我的情节有重叠之处，我不知道为什么会这样。
作为参考，我试图用三个变量(最近、频率、收入)对多维数据集进行聚类.为了可视化聚类，我可以使用PCA将3D数据投影到2D中，并对其运行k均值。下面是我得到的代码和情节：
df1=tx_user[["Recency","Frequency","Revenue"]]
#standardize
names = df1.columns
# Create
浏览 8提问于2020-03-29得票数 3
回答已采纳
1回答
我有一个为NLP分类器设计的多维向量。
下面是数据帧(text_df)：
我使用TfidfVectorizer来创建向量：
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_v = TfidfVectorizer(max_df=0.5,
max_features=13000,
min_df=5,
stop_words='english
浏览 14提问于2018-08-29得票数 0
1回答
视觉分析中的主成分分析
、、、
我正在学习视觉分析，我有一个关于这个话题的理论问题。
我的教授在幻灯片中介绍了这个模式。
📷
用于连接数据以实现可视化。有些话题很容易理解，并考虑到数据、绘图等工具的快速表达，而另一些话题则涉及到“数据”，特别是利用PCA等算法对数据进行约简。
我不太清楚为什么对数据使用PCA来减少一些我们想要快速呈现的数据。广告示例，如果我有带有所有电影(S只是一个例子)的数据集和一些属性广告示例。
名称，名称，年份，审查，userReview ecc.
这些数据之间的相关性在哪里?为什么我需要应用PCA来减少大型数据库，并丢失一些我可以在一些对我来说很重要的情节或模式中可视化的组件--例如，可能很有趣--
浏览 0提问于2019-02-23得票数 0
假设我们有3个国家的3个变量，如下所示：
| Country | GDP | Child Mortality | Health Expenditure |
| X | 5 | 8 | 4 |
| Y | 7 | 3 | 1 |
| Z | 12 | 4 | 9 |
现在，如果GDP和卫生支出增加，它将是一个更好
浏览 0提问于2019-08-12得票数 2
我是机器学习的新手，正在尝试用聚类算法进行分割。然而，由于我的数据集既有类别变量(如性别、婚姻状况、首选社交媒体平台等)，也有数字变量(平均支出、年龄、收入等)，我无法决定哪些算法值得关注。我应该尝试哪一个:模糊c均值，k-medoids，还是与k- means ++进行比较的潜在类？对于这些类型的混合数据集，哪些会产生更好的结果？
额外的问题:我应该尝试在没有降维的情况下进行聚类吗？或者我应该在任何情况下使用PCA或K-PCA来降低维度？此外，如果数据集具有3个以上的维度，我如何在没有可视化的情况下理解和解释结果？
浏览 0提问于2018-04-26得票数 0
2回答
我正尝试在Python语言中测试3种聚类算法(K-means，SpectralClustering，Mean Shift)。我有一个包含26列和数千行的数据集，我需要一些帮助来处理高维数据集(子集如下所示)。 UserID Communication_dur Lifestyle_dur Music & Audio_dur Others_dur Personnalisation_dur Phone_and_SMS_dur Photography_dur Productivity_dur Social_Media_dur System_tools_d
浏览 47提问于2021-02-12得票数 2
1回答
多维数据k均值聚类后的主成分分析
、、、、
我有以下10个变量的数据集：
我想用这个多维数据集来识别集群，所以我尝试使用以下代码来实现k均值聚类算法：
clustering_kmeans = KMeans(n_clusters=2, precompute_distances="auto", n_jobs=-1)
data['clusters'] = clustering_kmeans.fit_predict(data)
为了绘制结果，我使用PCA进行降维：
reduced_data = PCA(n_components=2).fit_transform(data)
results = pd.Da
浏览 9提问于2021-10-24得票数 1
回答已采纳
2回答
以簇为颜色的R双图
、、、
我在PCA变换之后进行聚类，我想在PCA空间的前两三个维度中可视化聚类的结果，以及原始轴对投影PCA空间的贡献。
我使用的是factoextra库，它使用ggplot，并且工作正常，，但是我想从上删除这个传奇。
我的代码：
# Load iris dataset
data(iris)
# PCA
pca <- prcomp(iris[,-5], scale=TRUE)
df.pca <- pca$x
# Cluster over the three first PCA dimensions
kc <- kmeans(df.pca[,1:3], 5)
# 2-D bipl
浏览 2提问于2015-06-17得票数 4
回答已采纳
2回答
解释聚类度量
、、
我在Scikit中用k均值进行聚类，学习398个样本，306个特性。特征矩阵稀疏，簇数为4。为了改进聚类，我尝试了两种方法：
聚类之后，我使用ExtraTreesClassifier()对特征重要性进行分类和计算(聚类中标记的样本)。
我使用PCA将特征维降为2。我计算了以下指标( ，)
方法sum_of_squares，Calinski_Harabasz，剪影1公里，31.682 401.3 0.879 2公里+顶部特征5989230.351 75863584.45 0.977 3 kmeans+PCA 890.5431893 58479.00277 0.993
我的问题是：
浏览 4提问于2016-08-03得票数 1
回答已采纳
1回答
我想使用一种聚类算法来实现包含许多特性(32列)的数据帧。
部分特征使用一个热编码器进行编码。
我希望使用主成分分析( PCA )来减少维数，使机器学习过程更容易。
是否可以仅对数据帧的某些列使用PCA，而保留其他列，然后使用机器学习模型。
或者，在聚类之前，必须对所有数据使用PCA。
浏览 3提问于2022-07-04得票数 -1
回答已采纳
我正在使用Weka资源管理器将PCA应用于我的数据。有4列: R，G，B(代表像素中的颜色值)和id (标称，表示像素的类)。我希望PCA生成一个单一变量(称为V)，它结合R、G、B中的信息，然后对V执行一些分析(聚类)，并通过wrt id可视化结果。
如果我加载数据并在Preprocess选项卡中选择PrincipalComponent，它将应用主成分分析，但适用于所有属性。因此，"id“被合并，产生无稽之谈的结果。它还用生成的主要组件替换了我的原始数据。相反，我希望保留我的原始属性(特别是"id")，并让主组件成为附加属性。这在Weka Explorer中有可能吗？
浏览 0提问于2018-07-03得票数 0
1回答
我已经使用Mclust软件包进行了潜在聚类分析。可视化集群时，轴标签为Dim1和Dim2。标签是什么意思或表示什么？是PCA维度吗？下面是一个显示聚类图- https://rpkgs.datanovia.com/factoextra/reference/fviz_mclust.html的示例
浏览 36提问于2021-03-25得票数 0
回答已采纳
2回答
从我正在使用PCA和kmeans的数据集中，我想知道每个集群中的中心对象是什么。
从我最初的数据集中将这些对象描述为虹膜的最佳方法是什么？
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
from sklearn.decomposition import PCA
pca = PCA(n_components=2, whiten=True).fit(X)
X_pca = pca.transform(X)
from sklearn.cluster import KMea
浏览 4提问于2015-11-24得票数 0
回答已采纳
2回答
群集之后会发生什么
、、、、
我试图根据图像与SIFT和亲和力传播的相似性对图像进行聚类，我进行了聚类，但我只是不想可视化结果。如何从获得的标签中测试随机图像？或者可能还有更多的原因？ 除了数据可视化，我不知道集群之后会发生什么。如何验证“集群”
浏览 15提问于2019-05-31得票数 0
1回答
我有一个包含61行(用户)和26列的数据集，我使用k-means和其他算法对其进行聚类。在对数据集进行标准化后，首先对其应用KMeans。作为之前的任务，我在对此数据进行归一化并识别出10个聚类后，对其运行k-means。同时，我还尝试可视化这些集群，这就是为什么我使用PCA来减少我的特征的数量。
我写了以下代码：
UserID Communication_dur Lifestyle_dur Music & Audio_dur Others_dur Personnalisation_dur Phone_and_SMS_dur Photography_dur P
浏览 23提问于2021-02-15得票数 1
2回答
PCA降维后的聚类
、、、
假设我们有一个大维的数据集，我们使用PCA将其降到了较低的维度，那么对所述数据使用聚类算法是否明智/准确？假设我们不知道会有多少个集群。
在Iris数据集上使用PCA ( csv中的数据按顺序排列，以便列出所有的第一类，然后是第二个，然后是第三个)生成以下图：
可以看出，Iris数据集中的三个类已被保留。然而，当样本的次序被随机化时，则会产生以下情节：-
上面，还不清楚数据集中包含了多少个集群/类。在这种情况下(更真实的情况)，如何识别类的数量，像K-均值这样的聚类算法会有效吗？
是否会因为低阶主成分的丢弃而产生内在的影响？
编辑：-为了清楚，我是问一个数据集是否可以在运行PCA后
浏览 5提问于2013-09-25得票数 0
回答已采纳
我正在用sklearn.cluster.KMeans的MNIST练习。
直观地说，我只是将训练数据拟合到sklearn函数中。但我的准确率很低。我想知道我错过了什么步骤。我应该首先通过PCA提取特征向量吗？或者我应该换一个更大的n_clusters
from sklearn import cluster
from sklearn.metrics import accuracy_score
clf = cluster.KMeans(init='k-means++', n_clusters=10, random_state=42)
clf.fit(X_train)
y_pre
浏览 0提问于2019-06-04得票数 0
1回答
我的数据有30,000行和140列，我正在尝试对数据进行聚类。我正在进行pca，然后使用大约12台pc进行聚类分析。我随机抽取了3000个观测数据，然后运行了44分钟，同时运行pca和层次结构聚类。
一位同事在SPSS上也做了同样的工作，而且花费的时间也大大减少了？知道为什么吗？
下面是我的代码的一个简化版本，它工作得很好，但是对于任何超过2000次的观测结果都很慢。我包括了USArrest数据集，它非常小，所以它并不真正代表我的问题，但显示了我想要做的事情。我不太愿意发布一个大的数据集，因为这看起来很粗鲁。
我不知道如何加快集群的速度。我知道我可以对数据做随机样本，然后使用一个预测函数为测试
浏览 4提问于2019-10-31得票数 0
回答已采纳
2回答
在主成分分析降维后，我想将K均值应用于聚类。在主成分分析之前，我已经用StandardScaler标准化了数据，然后我想训练Kmeans来找到簇。然而，PCA组分之间的差异不可能是相同的数量级。
聚类前对PCA组件进行标准化是一个很好的实践吗？
浏览 0提问于2019-06-13得票数 2
回答已采纳
1回答
我有一个尖叫复习数据集。我在yelp评论的文本列上做了一个word2vector嵌入。我使用无监督的学习K-均值和PCA & TSNE来可视化数据。我有6个团簇，它们很好地分开了。现在，我想为每个集群标签创建一个"Word-Cloud“。一个人能给出怎么做的想法吗？谢谢。
浏览 0提问于2021-06-24得票数 1
1回答
假设我有一组3D点。假设这些点或多或少位于嵌入在3d空间中的平面上，那么我就可以使用PCA将这些3D点“压缩”到平面上的2D坐标上，这样它们仍然能很好地接近原始数据。
假设一半的3d点不靠近那个平面，而是靠近另一个平面。
如果我只是进行PCA和减少到2维，我将不会得到一个很好的接近。
但是，如果算法能够“看到”一些3d点在一个平面上压缩得很好，而另一些则在另一个平面上很好地压缩并标记每个点，并对每个集合分别进行PCA处理(并将它们压缩到具有两个坐标的点加上一个表明它属于哪个集合的点)，那么它将更接近原始数据。
这种PCA算法的名称是什么，它也能够将输入数据分割成最大的N个集合(可能会对集合的数
浏览 0提问于2020-07-29得票数 1
4回答
我正在尝试我的第一个‘项目’有关机器学习，我有点卡住了。然而，我不确定这是否可能，但这是我的问题。
我想要实现的是根据用户在某个网站上的访问量对用户组进行聚类。因此，我从这个功能矩阵开始：
USER abc.be abc.be/a abc.be/b xyz.be xyz.be/a
123 0 0 0 0 1
456 1 0 1 0 0
789 2 3 1 0
浏览 0提问于2015-03-10得票数 5
2回答
我有一个数据集，大约有20000个观测数据，包括40个独立变量和1个因变量。我最初的目标是建立一个预测因变量的模型。我尝试了几种模型，并应用了线性回归和其他算法，如随机森林，当然，通过将数据集分割成训练和测试集。
不幸的是，我没有任何有意义的结果，我有很大的错误。我认为数据集有些“混乱”，所以我决定先进行一些聚类，然后在每个集群中应用回归。考虑到我的因变量可能表现出很大的变化，我认为我应该对所有变量(因变量和独立变量)进行聚类，因为每个簇都有类似的因变量值。我试着申请Kmeans，但我遇到了几个问题。首先，我似乎无法确定正确的集群数目。“肘部”方法给出了一个不清楚的数字，当我用较少的数据(大约
浏览 0提问于2018-11-13得票数 0
2回答
你好，数据科学家，
我正在处理一个复杂的分类/预测问题，我发现很难将这些类分开。即使在PCA之后，我的数据(在两台PCA上)看起来也是这样的：
📷
考虑到这个数据集，哪种方法可以最准确地预测类？
背景:我试图通过最好的方法/算法来解决建模的问题。
非常感谢，
浏览 0提问于2017-07-14得票数 2
我是R的新手，我试图对一些数据样本进行聚类。我试过PCA，
res.pca <- PCA(df,
ncp = 5, # nb composantes principales.
graph = TRUE,
)
和我可以得到完整的元素列表与新的坐标
res.pca$ind
这是伟大和完美的信息使用2第一轴与PCA，我有80%的变异性在一个轴和略高于10%在第二轴。考虑到我有30个变量，我对结果感到非常自豪.最后，PCA隐式地说，二维就足够了。
我仍然在处理这些数据，我尝试了DBSCAN集群方法fpc:
浏览 2提问于2017-11-04得票数 0
1回答
因此，我有以下数据帧：
id text
342 text sample
341 another text sample
343 ...
和以下代码：
X = tfidf_vectorizer.fit_transform(df['text']).todense()
pca = PCA(n_components=2)
data2D = pca.fit_transform(X)
clusterer = KMeans(n_clusters=n_clusters), random_state=10)
cluster_labels = clusterer.fit_
浏览 1提问于2018-11-26得票数 1
我刚开始学统计学，很抱歉在这个题目上缺乏知识，我只是在做一个毕业设计。
我试图对包含疾病(3456)和症状(25)的健康数据集进行聚类，考虑到发生的事件的数量。
我担心的是，很多值都是0简单的，因为有些疾病并没有显示出特别的症状，例如(我现在合成了这些值)：
📷
所以，我想知道什么是最好的方法来聚集这个数据集。我正在寻找和发现等级和手段，但不知道我是否可以适当地申请这一项。首先，我把事件的绝对值转换为总数的%，这样就可以处理0's了吗？我想过了，但同时1%接近0%，我不知道算法是否也能理解为“标志”，因为1%代表了症状的出现(甚至更低的比率)，而在另一种疾病中根本不发生。
我听说了PC
浏览 0提问于2018-11-11得票数 2
1回答
我是机器学习的新手，我试图用k均值聚类来做无监督的学习(即使我读到k均值不能很好地处理分类数据)。我编码了我的分类变量，并尝试应用内核PCA，因为我有一个分类特性(它是性别)。我注意到核参数有几个值，即‘线性’、‘聚’、‘径向基函数’、‘乙状结肠’、‘余弦’和‘预先计算的’。
我在网上搜索，但没有找到任何正确的解释。我也不确定主成分分析和支持向量机的内核使用是否相同。是否有人能够解释它们是什么、何时使用和/或如何为我们的数据集选择正确的数据集？由于我们无法可视化我们的数据集超过三维，我们如何决定它的形状来选择正确的参数？下面是代码的一部分，以显示参数在何处使用：
# Applying Kern
浏览 0提问于2018-04-19得票数 3
1回答
这个标题可能不是回答我问题的最好办法。这是我的问题
我有一个有21个功能的数据集。我想对数据进行聚类以解释，如果有任何洞察力，我可以通过对数据进行聚类。
我从PCA开始，将过程简化为2个分量，然后用4个中心点训练k-均值聚类模型。
当我将其可视化时，基于两个组件，我的集群看起来非常漂亮和整洁。我无法解决的问题是如何从这两个组件返回到原来的21个功能集。
这一点很重要，因为我需要了解哪些特性是重要的，并通过这些特性而不是这两个组件进行分析。
梅梅特
浏览 0提问于2023-04-16得票数 0
2回答
给出一套购买记录，我想知道哪些产品经常一起购买。物流PCA是实现这一目标的一种合理方法吗？是否有任何为此目的的聚类方法？我希望有任何方法的指针，可以帮助这一点。
浏览 0提问于2022-03-13得票数 2
1回答
我的问题是如何使用R得到的主成分。
一旦你得到了主成分，我们如何使用它来降低维度？我有一个包含6个变量的data_set，我需要使用k-means对其进行聚类。当我对6个变量进行聚类时，K-means给出了一个散点图。我认为pca可以帮助降低维数，因此k-means可以产生丰硕的结果。
我这样做是为了获得主要组件：
pca1 <- prcomp(data_set)
请指导我如何进一步降低数据集的维度。
浏览 2提问于2013-09-16得票数 0
1回答
如何应用nltk对问题进行分类
、、、、
我有一个从在线网站提取的文本文件中的问题列表。我是第一次接触nltk (Python语言)，并且经历了( )的初始章节。请任何人帮我把我的主题归类在不同的标题下。我不知道问题的标题。那么，如何创建标题和分类，然后呢？
浏览 2提问于2015-03-12得票数 0
有人能帮我理解为什么我的PCA每次运行都会得到不同的结果吗？我正在使用Databricks在Pyspark中工作
我的代码的当前实现如下
from pyspark.ml.feature import PCA
from pyspark.mllib.linalg import Vectors
pca = PCA(k=35, inputCol="scaled_features", outputCol="pcaFeatures")
model = pca.fit(df.select('scaled_features'))
result = model
浏览 7提问于2021-10-27得票数 0
我刚接触橙色，我很难用k均值生成集群的散点图。这是我所拥有的集群的照片。 ? 到目前为止，我的过程是上传数据集，通过归一化、PCA、k-means进行预处理，以聚类的数量作为最高轮廓得分，然后进行散点图并按聚类着色。为什么我的集群会重叠？此外，为什么每个轮廓得分都有较低的数字(在~0.19处有几个，而不是一个真正占主导地位的集群)？
浏览 35提问于2021-09-25得票数 0
1回答
我有一个用户给产品标签的数据库。例如
user; product; tag
1; A; Tag1
1; A; Tag2
2; A; Tag1
2; B; Tag1
..
..
我正在尝试将标签聚在一起，这些标签都是给任何产品的。最后，我想将它们形象化为PCA图，在这里我可以看到“更接近”的标记簇(用户将这些标记放在一起的倾向)。到目前为止，我可以考虑应用t-SNE或简单的主成分分析来获得具有可用标记的某种聚类。
为此，我制作了如下频率矩阵
first_tag; second_tag; occurrence
Tag1; Tag2; 2393
Tag1; Tag3; 38
Tag2; Tag3;
浏览 0提问于2019-08-29得票数 1
2回答
如何不使用在R中创建集群图
我试图掌握一些集群(使用R)和可视化(使用HTML5画布)。
基本上，我想要创建一个，但是我不想绘制数据，我想要得到一组2D点或坐标，这些点或坐标可以拉到画布中，并做一些可能非常漂亮的事情(但我不知道如何做到这一点)。我可以想象我：
为整个数据集创建一个相似性矩阵(使用dist)
使用kmeans或类似的方法(使用kmeans)对相似度矩阵进行聚类
使用MDS或PCA绘制结果，但我不确定步骤2和步骤3之间的关系(cmdscale)。
我检查了问题、和 (最后一个问题是最有用的)。
浏览 4提问于2012-01-26得票数 12
回答已采纳
交叉发布：https://www.biostars.org/p/450365/ 我正在尝试使用pheatmap::pheatmap创建一个20行10列的矩阵热图。为了聚类列，我使用了一个在输入矩阵上运行FactoMineR::HCPC后获得的hclust对象。但是，当我使用hclust对象时， 这是我的代码： library(tidyverse)
library(pheatmap)
library(FactoMineR)
# reproducible df of 20 rows and 10 columns
set.seed(100)
tmp <- matrix(rnorm(1000
浏览 35提问于2020-07-19得票数 1
回答已采纳
1回答
我是机器学习和数据分析的新手，而且我还在努力将数据聚在一起。我正在处理大约四万个有6个功能的观察。
我尝试了各种聚类方法，包括K均值法、DBSCAN聚类法，并尝试了分层连锁聚类法.在预处理过程中，对丢失的数据进行归一化处理。一旦我完成PCA，将尺寸从4降到6，我的数据看起来就像新月形，下面可以看到蓝点。
我决定，使用10个聚类对K-均值最好是基于轮廓系数分析，这是结果：
在对数据进行聚类后执行PCA时，结果变化不大。
DBSCAN本身决定了4个集群，并给出了4个集群，但是大部分数据都被排除在这些集群之外，并被描述为噪声。
对于分层方法，当尝试执行联动()时，数据使用量过大，
浏览 7提问于2016-06-15得票数 0
回答已采纳
1回答
我的数据包含了200多个特征和500多个观察。我想根据使它们不同的特点，将观察结果分成若干组。
我有很多想法，但我不确定哪一个合适：
1)进行主成分分析(PCA)，将特征降至二维。我已经这样做了，这样我就可以在2D图上看到它们。现在可以很容易地使用具有这两个维度的k-意思集群来创建集群，但是我不知道这是不是一个好主意，因为所有的组件都丢失了。但话又说回来，如果他们迷路了，他们可能没那么重要？不确定
2)进行主成分分析(PCA)，确定哪些特征值得包含，然后对这些特征进行k均值聚类。所以我可能不会把维度缩小到两个，但是它们会减少，然后k-均值聚类就会完成。从直觉上看，这似乎是最好的主意，但我不确定
浏览 0提问于2020-05-28得票数 1
回答已采纳
1回答
基于Matlab的体素主成分分析
、、、、
我有向量，它在图像中有一个特定的位置(体素)。我想要执行pca来聚类出所有互相关联的体素。
例如，我在1D中有三个体素：
syn_data_1 = [1;0;0;1;1];
syn_data_2 = [1;0;0;1;1];
syn_data_3 = [0;0;1;0;1];
syn_data = [syn_data_1, syn_data_2, syn_data_3]
%syn_data(:,1) is the Voxel in position 1 in 1D etc
现在位置1和位置2是强相关的，而3则不相关。可以使用corr来查看哪个体素是相关的，但是对于3D大数据集上的所有体素都不可
浏览 3提问于2013-08-23得票数 0
回答已采纳
1回答
聚类法
、、
全。我对数据聚类非常陌生，我想知道如果我们想要执行社交网络分析或可视化，它是基于什么类型的聚类技术？
有几种聚类方法，例如基于层次的、基于密度的、基于网格的，等等。我不知道这个社会网络可视化属于哪一类。是基于网格的吗？我确实尝试过搜索，但没有找到答案：
提前谢谢你！
浏览 4提问于2017-01-31得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
