对于低密度差异的多维数据，哪种聚类算法最好？

Question

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，哪种算法更好

Answer 1

也许这会给你一些启示：Scikit-learn clustering algorithms 我建议你试试看。希望有帮助

Answer 2

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。这个blog post非常好地解释了他们如何在高维数据集上应用深度聚类