聚类的可视化选择:PCA / t-SNE丨TomatoSCI分析日记

聚类完之后怎么可视化?这个问题很容易被忽略,我也是最近才发现这个问题拿出来跟大家讨论。聚类和可视化是两个独立步骤:聚类负责给样本分组,而可视化负责以合适方式呈现结果。以经典的 K-means 聚类为例,它本身在高维空间中运行,而我们大多数可视化只能展示二维或三维图像,因此必须先进行降维。

降维方法主要分为两类:线性降维(如 PCA) 和 非线性降维(如 t-SNE)。所以常见的可视化组合可以分为两种:

·K-means + PCA → 更易解释

·K-means + t-SNE → 更易观察

下面用同一份数据进行不同的分析。


01 K-means + PCA:可解释性强的组合

见图1。PCA(主成分分析)是一种线性降维方法,它通过提取数据中方差最大的方向,保留原始数据的全局结构。图中两条轴分别代表前两个主成分,并附带方差解释比例,可以明确知道我们保留了多少信息。

PCA 的优势在于降维后的结果依然保留了数据结构,可继续用于分析。比如:通过主成分载荷,可以识别出哪些变量在不同聚类中起了主要作用,便于解释各簇的特征。


02 K-means + t-SNE:可视化表现更佳的组合

见图2。t-SNE 是一种 非线性降维方法,它擅长保留数据点之间的局部相似性,使原本在高维空间中接近的点在低维空间中仍然靠近,从而呈现出更加清晰的聚类结构。

与 PCA 不同,t-SNE 投影的坐标轴没有实际意义,也无法告诉我们保留了多少原始信息。它不能用于后续分析和建模,因为降维过程扭曲了数据的距离关系。但它的图像表现通常更好,特别是在高维图像特征、文本嵌入、单细胞数据等领域,能够明显展示类群边界。


03 如何选择可视化方式?

如果你觉得上述原理还是不好区分,记住以下三点也能帮你快速决策:

  1. 如果你还想进一步解释变量含义或分析主轴结构,优先选 PCA;

  2. 如果你只是想让分群效果清晰可见、图好看,选 t-SNE;

  3. 拿不准可以两种都做一遍,选效果更清晰的。

有的小伙伴可能会问,又线性又非线性的,前面K-means结果的作用是什么?

聚类结果是基于高维空间做出的,是一个"先做好的分组标签";而降维后的可视化,仅是为了把这些标签更直观地展示出来,所以:聚类是核心结论;降维是辅助表现形式。你可以把聚类结果看作一位模特,PCA 是正面写实肖像,t-SNE 是创意光影写真,你可以根据展示目的选择不同"摄影风格"来讲述这个数据故事。

K-means聚类和t-SNE可视化已经上线TomatoSCI科研数据分析平台,欢迎大家来访!数据分析无需登录,专业在线客服答疑,还可在线传输文件,五折优惠码"tomatosci"开放使用中。PCA、RDA、PCoA、Lasso回归等方法等你就位。

相关推荐
小宁爱Python7 分钟前
基于 Django+Vue3 的 AI 海报生成平台开发(海报模块专项)
人工智能·python·django
破烂儿8 分钟前
基于机器学习的缓存准入策略研究
人工智能·机器学习·缓存
算法打盹中15 分钟前
SimLingo:纯视觉框架下的自动驾驶视觉 - 语言 - 动作融合模型
人工智能·机器学习·计算机视觉·语言模型·自动驾驶
l12345sy44 分钟前
Day23_【机器学习—聚类算法—K-Means聚类 及评估指标SSE、SC、CH】
算法·机器学习·kmeans·聚类·sse·sc·ch
大嘴带你水论文1 小时前
震惊!仅用10张照片就能随意编辑3D人脸?韩国KAIST最新黑科技FFaceNeRF解析!
论文阅读·人工智能·python·科技·计算机视觉·3d·transformer
IT_陈寒1 小时前
🔥3分钟掌握JavaScript性能优化:从V8引擎原理到5个实战提速技巧
前端·人工智能·后端
格林威1 小时前
棱镜的技术加持:线扫相机如何同时拍RGB和SWIR?
人工智能·深度学习·数码相机·yolo·计算机视觉
JoinApper1 小时前
小白学OpenCV系列3-图像算数运算
人工智能·opencv·计算机视觉
张小九991 小时前
ThermoSeek:热稳定蛋白数据库
人工智能
wzy-6662 小时前
DINOv3 新颖角度解释
人工智能