一些与流形学习相关的方法通常被称为good-for-visualization，例如 T-SNE 和自组织图 (SOM)。

我理解，当专门提到“可视化”时，意味着非线性降维可以在其低维投影中提供对数据的良好见解，但最常见的是这种低维投影不能用于机器学习算法，因为一些高维结构的信息丢失（大致）。

但是，这里的问题是，如果在可视化中观察到“集群”，是否可以将集群算法应用于低维转换数据并分别分析集群或组？

例如，我将 T-SNE 应用于相当高维的数据（40 个特征）并获得以下表示：

忽略您在图片中观察到的颜色，我想应用聚类算法并将数据与找到的聚类（假设为 6 或 7 个聚类）分开，然后使用每个聚类的高维表示来分析每个聚类的特征观点。

这是综合：使用低维来寻找聚类，并使用高维表示分别分析（探索）每个聚类。如果我不能做到这一点，我看不到在实际意义上在低维空间中进行可视化的实际意义。

我知道 T-SNE 很好地保留了局部结构和不太准确的全局结构，这是我为什么要这样做的缺点吗？这种低维度聚类方法是否更适合其他流形学习方法？

编辑：可能更直接的问题是：我可以使用低维表示中观察到的集群来标记或标记示例，并使用这些标签使用原始的高维表示进行区分吗？