事实是，在无监督算法中，你永远不会知道。这是他们的主要瓶颈。无监督算法（聚类、降维等）基于假设。当做出假设时，它将被转换为数学算法并应用。

正如您所说，只有在您事先知道数据的分布和/或拓扑结构如何时，才能选择正确的东西。但不幸的是，大多数情况下它不会发生。数据的维度越高，猜测其结构就越困难。

如果您将其用作监督任务的特征提取步骤，那么正确的方法是通过统计模型选择（例如交叉验证）来评估每个步骤对监督学习的影响。

如果您将它们用于聚类等无监督任务，那么您可以选择一些实用标准（没有理论上的标准，即聚类任务没有任何理论依据）。例如，您可以将它们可视化为 2 或 3 维，并尝试检查集群是否正确（例如，通过数据中的一些已知样本。如果您知道不同样本的两个极端情况，则更好的集群会将它们放在远集群中，等等.)

我再次强调，对于像聚类这样的无监督任务没有普遍正确的评估。

希望它有所帮助！

它可能很难选择——因为它很难形象化。但是，您可能有一个特定的目标，对吧？最大化某种分数。

您为什么不尝试将网格搜索应用于您的降维决策？看到这个。

不过，我有兴趣阅读这个问题的其他更具理论性的答案。