我正在对86个不同的变量进行聚类分析，我设法使用PCA将其减少到19台PC。使用sk-learn的K-means聚类算法，我得到了10个聚类。但是，我无法弄清楚哪些变量负责分隔这些群集。如何确定哪些变量负责某个群集。
答案 0 :(得分：0)
PCA创建主要成分，从本质上可以将其视为基本特征的一些线性组合，以帮助将维数从您的情况下的86个特征减少到变化最大的19个“主要成分”。 >
为了了解这些主要组件所基于的区分功能，您必须深入了解PCA的功能。简而言之，PCA对86个特征的相关矩阵进行特征分解。然后将数据投影到一个新的向量空间，该向量空间由19个特征值最高的特征向量组成。
为了粗略估计PCA认为“主要”的特征，可以手动对相关矩阵进行特征分解，并查看哪些特征的特征值最高。但是，请记住，这不会是1-1的相关性，因为PCA使用这86个特征的某种线性组合来降低尺寸。但是，本征分解也许可以帮助您更好地理解数据。
此外，如果您感兴趣的话，这也是PCA及其与特征分解的关系的绝佳解释：https://stats.stackexchange.com/questions/2691/making-sense-of-principal-component-analysis-eigenvectors-eigenvalues