我正在尝试使用 kmeans 进行嵌入式聚类。
这是客户数据，所以涉及到很多句子，所以我在聚类之前使用的是通用句子编码器。
但我应该在嵌入特征之前进行特征选择或降维。
我想知道是否有一种方法可以在无监督学习中进行特征选择或降维。这可能非常有帮助，因为到目前为止聚类给出的结果好坏参半，我有一种强烈的感觉，这可能是因为数据中存在不需要的属性。
我已经阅读了所有仅提供了在监督学习中可以选择的资源。
任何帮助表示赞赏！
谢谢阿拉夫
无监督学习中的特征选择或降维
数据挖掘
nlp
聚类
特征选择
无监督学习
降维
2022-02-10 03:40:07
1个回答
我发现自动编码器是最好的解决方案。在聚类之前执行自动编码器会降低高维数据的维数，然后可以提取编码器结果并将其用于我们想要实现的任何方法，例如，
监督分类无监督聚类等
使用 CNN（编码器和解码器）处理图像的自动编码器： https ://www.datacamp.com/community/tutorials/autoencoder-keras-tutorial#comment-6125
自动编码器 - 它的类型和用法 - LSTM： https ://machinelearningmastery.com/lstm-autoencoders/
对于我的用例，我应该先执行嵌入，然后再将其输入到仅使用编码器的自动编码器（CNN/LSTM）中，以便将减小的维度用于 kmeans 聚类。
希望这对有同样问题的人有所帮助，我想知道如何没有人遇到这种情况或没有对此作出答复。
谢谢阿拉夫