我正在R中运行k-means算法并尝试找到最佳簇数k。使用剪影方法，差距统计和弯头方法，我确定最佳聚类数为2.虽然没有预定义的聚类用于业务，但我担心k = 2不太有洞察力，这导致我有几个问题。
1）就数据的自然聚类而言，最优k = 2意味着什么？这是否表明可能没有明确的集群或没有集群比任何集群更好？
2）在k = 2时，R平方为低（.1）。在k = 5时，R平方更好（.32）。选择k = 5的确切权衡是什么，知道它不是最优的？是否可以增加集群，但它们可能不够明显？
3）我的n = 1000，我有100个变量可供选择，但只从领域知识中选择了5个。增加变量的数量是否必然会使聚类更好？
4）作为问题3的后续，如果引入变量并降低R平方，那么对变量有什么看法呢？
答案 0 :(得分：1)
我不是专家，但我会尽力回答：
1）你的最佳聚类数方法给你k = 2，这样就可以看出有明显的聚类数这个数字很低（2）。为了帮助解决此问题，请尝试使用您对域名的了解来帮助解释，在您的域名中，2个群集是否有意义？
2）是的，你是对的。就R平方而言，最优解是拥有与数据点一样多的聚类，但就你为何采用k均值而言，这并不是最优的。你正在做k-means从数据中获取更有见地的信息，这是你的首要目标。因此，如果您选择k = 5，那么您的数据将更适合您的5个群集，但正如您所说，它们之间可能没有太大区别，因此您无法获得任何洞察力。
3）不一定，实际上盲目加入会使情况变得更糟。 K-means在欧几里德空间中运行，因此在确定聚类时，每个变量都具有均匀的权重。如果添加不相关的变量，它们的值仍然会扭曲n-d空间，从而使群集变得更糟。4）（在这里仔细检查我的逻辑我不是100％在这个上）如果一个变量被引入到相同数量的簇并且它丢弃了R平方那么是它是一个有用的变量来添加它，它意味着它与您的其他变量有关联。