クラスタのデータポイントの同じグループが、Kmeansクラスタリングで遠くに散らばっているか散在しているのはなぜですか？

Question

私はまた、私がそれに答えることに成功しなかった私の会議で私に何度も尋ねられた疑いがあります。あなたがこの質問の洞察を知るために私を助けてくれることを願っています。

私はそれぞれの問題の分野で多数のドキュメントをクラスタリングするために、私のプロジェクトでkmeansクラスタリングを使用しました。また、データポイントの座標をプロットするためにmatplotlibを使用しました。同じクラスタに属するデータポイントは、同じクラスタグループに属する他のドキュメントまたはデータポイントから分散または遠く離れていることがよくあります。一般的に人々が質問する質問は、文書またはデータポイントが同じクラスタ/グループのものであれば、互いに近いものにする必要があります。なぜ同じグループ/クラスタの文書に関しては起こっていないのですか？

どのように私はそれらを納得させることができますか、時々私は彼らが何を言いません。

同じ質問に加えて、私はクラスタの形成を制御しませんでしたが、私の分野のドメインエキスパートとして、私はドキュメントが属する問題領域をよく知っています。ですから、Kmeansや他のクラスタリングマシンを使って、あるいはハイパーパラメータを使いこなすことによって、この何千ものドキュメントを問題のある領域だけに構成/クラスタ化するにはどうすればいいですか？親切に私を助けてください。

は私がhttp://brandonrose.org/clustering

父、ニューヨークからの参照を取る持って、弟は紫色であるクラスタです。それが同じクラスタに属しているならば、それはお互いに近い側のプロット画面にある必要があります。なぜそれがプロット画面のいたるところに散らばっているのですか？私の場合も何が起きているのですか？

Answer 1

あなたはあなたのデータに関する情報をほとんど提供していないので、この回答は少し投機的です。しかし、データポイントには2つ以上のコンポーネントがあり、少なくとも3次元空間でk-meansクラスタリングを実行することは間違いありません。次に、2Dで表示するために何らかの投影を使用します。投影のために、もともと互いに遠く離れている点は近くにあるように見えます。 2Dプロットは、オリジナルの高次元空間における近傍関係についてはほとんど言及していません。