您能否帮助我理解它，因为我不确定我是否正确理解它。
假设我有一个人的数据集，有 100 个特征，各种特征，如身高、体重、年龄等。我想分类是正常还是异常。我所说的异常是指如果一个 20 岁的男人身高 170 厘米和 150 公斤，则将其识别为异常。
我应该使用自组织图来降低维度（这 100 个特征），然后使用 K-means 将它们分为正常和异常吗？这是一个正确的方法吗？或者我可以只使用 K-NN 将它们分类为正常 - 异常而无需任何降维？
K-NN 可以使用多少功能？到目前为止，我发现的所有示例都只使用了两个。
如果以后我想知道为什么这个人被列入了异常班，我怎么会发现这是因为这两个特征，他的体重根据他的身高？
不是第一选择。对于降维，您有更方便和基本的方法，例如PCA和NMF（如果您没有负值）或原型分析，建议首先使用。
红色警报！Kmeans 不是用于分类，而是用于聚类。对你将要做什么的基本理解要小心，否则你会感到困惑。例如，如果您有标签，K-NN 是一种监督（因此是正确的）方法。
不可能的。正如您已经知道的那样，您有一个称为维度诅咒的问题，其中欧几里德距离高度失真。您需要在 K-NN 之前减少维度。我知道的唯一一类可能不需要降维的方法是内核方法，例如SVM。
一旦我在 MATLAB 中使用 K-Means 检查了维度诅咒，我看到 7 维之后一切都被扭曲了。这当然取决于数据的性质（分布等），但这是我从实验中得到的。
这个问题太模糊了，关于机器学习的目标。在机器学习中，您会得到一组答案（称为标签）并尝试学习它们。你不应该说他们是否正确。因此，如果您说某个特定的人不正常，您应该向提供标签的人（在我们称之为专家的术语中）询问原因。如果一个人有一定的体重和身高被称为异常，你只知道这个体重和身高表示异常的人。为什么？嗯，谁知道呢？
如果我没有正确回答最后一个问题，请在评论中给我留言。很乐意提供帮助。
我建议您将 PCA 应用于您的数据并获取前 5 台 PC 并将它们提供给 K-NN 或LDA。您可以将其中一些 PC 相互绘制，看看它们如何区分您的班级。它让你对正在发生的事情有一个很好的印象。您还可以预先绘制所有特征的方差或熵，并丢弃方差或熵低于阈值的那些特征。
祝你好运 ：）
如果没有标签，我猜您正在寻找无监督异常检测技术。您可能想对此主题进行一些研究。
请非常小心，因为您的数据没有被标记，所以您没有“分类”。您实际上是在寻找一群正常人的异常值。您的数据未标记，因此任何监督技术均不适用，包括 K-NN。可以使用 K-means 之类的聚类方法，并且您希望查找异常值并将它们标记为“异常”。还有其他可用的技术，例如一类支持向量机。
有了标签，它就变成了分类问题。可以应用任何分类方法。可以进行特征选择以去除不相关或相关的特征。