聚类和降维有什么区别与联系？ 我现在在做聚类相关的问题，发现有用PCA聚类，可是PCA不应该是降维的方法么？所以不太清楚聚类和降维的区…
spss做聚类分析是不是不能只有一个变量啊？ 我今天看了一篇文章，他是自己定义了三种不同的距离，都是基于欧式距离但是后面的聚类算法貌似得自己写。另一片是先做pca，然后基于总的指标得分做聚类，这样虽然减少了指标的维度，但是相对比较简单，spss，就可以操作了
聚类和降维有什么区别与联系？ 这是一个很有意思的问题。PCA（主成分分析）是降维方法，K-means（K均值）是聚类方法，似乎风牛马不相及。但是，果真如此吗？它们是否有内在的联系呢？发现有用PCA聚类，可是PCA不应该是降维的方法么？我不知道你具体发现的是哪篇用PCA聚类的论文，不过我猜你看到的可能是这篇：Ding&He.2004.K-means Clustering via Principal Component Analysis.ranger.uta.edu/~chqding/papers/KmeansPCA1.pdf这篇论文的主要内容是从形式上准确地描述PCA和K-means的内在联系，因此使用了大量数学公式和推导。我不打算在这里重复推导过程，感兴趣的可以直接阅读上面给出的论文。我将尝试从直观的角度形象地说明两者的联系。首先，我们简单温习下PCA和K-means。PCA假定我们有一些数据点，PCA的目标是找到一条线，让这条线上的点能够最大程度上“代表”原本的数据点。那么，关键在于，我们将依据什么标准寻找这条线？PCA的标准有两条（这两条实际上是等价的）：这条线上的点差异越大越好（从数学上来说，方差较大）。否则线上的点全部挤在一起，代表性显然不好。基于这条线上的点，重建原数据点的误差最小。我们可以用下面的动图演示这一点：（图片来源：CrossValidated）上图中，红点是。
聚类和降维有什么区别与联系？ 1：降维能用来聚类，但聚类肯定不仅仅是降维。降维算法其实还蛮多，像什么k-means之类有非常多成熟.
LDA 和 LSI 相比较哪个聚类效果更好？
用k-means做文本聚类，是先进行特征选择，然后特征词向量化，如果维数太高的话pca降维吗？ 不进行特征词向量化怎么进行特征提取，当然是先向量化，然后特征选择，然后降维了
什么是PLS-DA分析法？ 从代谢组学分析产生的海量数据中发现潜在标志物，需要借助多变量模式识别方法.无师监督的模式识别方法包括主成分分析（PCA、聚类分析(HCE)等；有师监督的方法包括判别分析(DA)、偏最小二乘分析(PLS)、偏最小二乘判别分析(PLS-DA)，正交校正的偏最小二乘分析(OPLS)等.当变量数量远大于样品数量时，PLS或 PLS-DA模型容易过拟合.根据模式识别模型抽提出对分类有重要贡献的化合物后，还需要进一步验证这些化合物的差异性。
新手求助关于stata做聚类分析的几个问题 先将变量标准化：egen z1=std(x1)…进行主成分分析：pca x*，mineigen(1)主成分载荷分析：estat loading，cnorm(eigen)效果分析：estat kmo（一般要大于0.7才适合做主成分。
聚类和降维有什么区别与联系？ 当样本数据属性维数过多的时候，如果直接使用所有的参数可能会引入一些数据噪声。属性太多会可能会让聚类的粒度太小影响结果，就可以先借助PCA进行线性降维，可以降低参数的维数，还可以利用主成分分析结果，结合聚类分析的结果绘制分类交汇图，也可以用降维后的属性做聚类。
