使用t-SNE降维执行聚类
使用t-SNE降维执行聚类
提问于 2016-06-21 06:37:51
问题是应该首先考虑哪一个: a)聚类还是b)降维算法？换句话说，我是否可以应用一种伪(因为它不是真正的)降维方法，如t-SNE，然后使用聚类算法来提取聚类，或者是否应该在原始的高维空间上执行聚类，并仅用于给节点着色？下面的代码是一个好的开始方式，还是我完全错了？
adjMat = g.get_adjacency(attribute='weight') #get the adjacency matrix from a really large graph
adjMat = np.array(adjMat.data)
adjMat = adjMat.T #use the incoming interaction vectors
#initiate the t-SNE algorithm
tsne = manifold.TSNE() #set dimensionality reduction algorithm
manifoldCoords = tsne.fit_transform(adjMat)
#initiate clustering algorithm
clusteralgorithm = clusterAlgs.KMeans() #set clustering algorithm
linear_clusters = clusteralgorithm.fit_predict(manifoldCoords) #extract clusters回答 2
Stack Overflow用户
发布于 2016-07-17 16:54:15
先进行降维再进行聚类总是更好。
这背后的原因是在high dimensional space behave in a strange way中的距离。另一个有趣的现象是最近点和最远点之间的比率接近1。
我建议你阅读这篇question，虽然它问的是欧几里德距离，但你可以找到很多有趣的信息。
Stack Overflow用户
发布于 2016-06-21 14:26:33
首先降维，然后聚类，这是很常见的。很简单，因为聚类高维数据是困难的，而降维使其更容易处理。
只要您没有忘记集群本质上是不可靠的(所以不要相信结果，而要研究它们)，您就应该没问题。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/37932928
复制相关文章
相似问题
腾讯云开发者
