为什么同样的集群类别是分开的？

Question

我有这200个向量，是基于关键字权重相似度的K-均值聚类，由TF(术语频率-逆文档频率)给出的。在阿姆斯特丹、鹿特丹、海牙和乌得勒支四个城市，对矢量进行了聚类。我选择了k-星系团质心= 6，这意味着集群0到簇5。在每个集群上，我还计算了关键字的数值权重的平均数，从而得到了最相关和最不相关的关键字集，如下所示：

相关关键字和最不相关的关键字都可以帮助解释集群的内容。例如，集群0与铁路运输有关，因为在最相关的关键字中包括电车、线路、电车轨道、车站和铁路。最不相关的关键词强调对聚类0的解释，其中关键词包括摄影、自行车、拼音、绿色、自然和花卉。

在这张图片中，我看到了阿姆斯特丹市所有六个星系团的星团图：

问题是在阿姆斯特丹，没有与铁路运输相关的0集群。在我的分析意见中，这是因为所有与铁路运输有关的向量都聚在第3组中，而第3组也与铁路运输有关(根据我对这两个组中最相关和最不相关的关键词的解释)。第3组也与铁路运输有关，因为在最相关的关键词中包括电车、线路、电车、车站和铁路。最不相关的关键词强调对聚类0的解释，其中关键词包括摄影、自行车、拼音、绿色、自然和花卉。

还有证据表明，在鹿特丹和海牙市找不到第3组，因为这两个城市所有与铁路运输有关的载体都聚集在第0组。在下面，您可以在两个城市找到集群地图的图片：

我的问题是我的分析是否合理？但是，为什么两个主题相同的集群可以被分开呢？他们为什么不聚在一起？

Answer 1

这种KMeans聚类是基于200个特征及其长度的空间点的代表。我认为在你的观点和实际的聚类中存在一些差距。

除了“有轨电车”外，大多数其他相关功能在两条铁路集群中都是不常见的。因此，在太空中产生了两个不同的气泡。

看这张图片，数据在同一地点的电车维度，但其他特征已经创建了两个不同的组。

这些是你可以采取的方法-

• 清除领域上下文中重复/相似含义的所有功能，例如铁路、铁路

• 尝试不同的集群计数，例如5，看看这两个合并

• 即使这些不是合并，也会有一些信息，您应该弄清楚。例如gvg，combino，电车，城市