说我有一个高维数据集，我认为它可以通过某种聚类算法很好地分离。然后我运行算法，最后得到我的集群。
是否存在某种方式（最好不是“ hacky”或某种启发式）来解释“哪些特征和阈值对于使集群A的成员（例如）成为集群A的一部分很重要？”
我尝试查看聚类质心，但是对于高维数据集来说这很繁琐。
我还尝试将决策树拟合到我的集群，然后查看树以确定给定集群的大多数成员遵循的决策路径。我还尝试过将SVM拟合到我的集群，然后在离质心最近的样本上使用LIME，以了解哪些特征对质心附近的分类很重要。
但是，后两种方式都需要在无人监督的情况下使用有监督的学习，并对我感到“ hacky”，而我希望有更多的基础。
答案 0 :(得分：0)
您是否尝试过使用PCA或其他降维技术并检查群集是否仍然存在？有时，关系仍然存在于较低的维度中（注意：它并不总是帮助人们理解数据）。关于可视化MNIST数据的不错的文章。 http://colah.github.io/posts/2014-10-Visualizing-MNIST/。我希望这能有所帮助。
答案 1 :(得分：0)
请勿将聚类算法视为黑匣子。
是的，k均值使用质心。但是大多数用于高维数据的算法都不使用（也不使用k均值！）。取而代之的是，他们通常会选择一些特征，投影，子空间，流形等。因此，看看实际的聚类算法提供了哪些信息！
答案 2 :(得分：-2)
您具有基于密度的DBSCAN集群（以及其他基于密度的集群方法）。您将获得紧凑型集群。对于这些集群中的每一个，您最终都可以看到构成集群的功能。
您还拥有DENCLUE，OptiGrid和BIRCH是适合处理大型数据集的合适的聚类算法，尤其是DENCLUE和OptiGrid，它们也可以处理高维数据。它们的使用方式与DBSCAN相同，可以找到最有用的功能。