所以我正在做我的学士工作，我正在对某些数据应用不同的聚类算法。当然，在所有聚类之前，我使用降维算法，例如 t-SNE。我唯一担心的是我应该使用哪些数据来应用聚类算法。下面让我解释一下我的意思。
我的大学学士领导说，我需要使用 t-SNE 只是为了看看数据是如何分布的。然后将聚类算法应用于仅缩放的数据，但不应用于 t-SNE 结果，仅在绘图上使用 t-SNE 结果：
第一种方法：
data1_scaled <- scale(data1) #data with 9 features
tsne_results <- Rtsne(data1_scaled, perplexity=100, check_duplicates = FALSE)
**kmeans_results <- kmeans(data1_scaled, 2)**
cluster_assignments <- kmeans_results$cluster
plot(tsne_results$Y, col=cluster_assignments, pch=16, main="Kmeans Clustering")
legend("topright", legend = unique(cluster_assignments),
col = unique(cluster_assignments), pch = 16, title = "Cluster")
但是，我发现很多关于Google在聚类之前应用PCA以及应用聚类算法的PCA结果的文章。然后我想嘿嘿嘿，也许我应该对 t-SNE 做同样的事情。我尝试用聚类算法搜索 t-SNE，但遗憾的是我找不到任何与之相关的内容。我询问 ChatGBT，它说我需要对 t-SNE 结果应用聚类（在我的例子中是 tsne_results$Y）。所以我决定在这里问。
第二种方式：
data1_scaled <- scale(data1) #data with 9 features
tsne_results <- Rtsne(data1_scaled, perplexity=100, check_duplicates = FALSE)
**kmeans_results <- kmeans(tsne_results$Y, 2)**
cluster_assignments <- kmeans_results$cluster
plot(tsne_results$Y, col=cluster_assignments, pch=16, main="Kmeans Clustering")
legend("topright", legend = unique(cluster_assignments),
col = unique(cluster_assignments), pch = 16, title = "Cluster")
那么哪种方式是正确的方式呢？之所以问这个，是因为我尝试了这两种方式，聚类结果不同。因此我不知道我应该选择哪种方式工作。
最后，如果我想评估聚类结果，我应该在 data1_scaled 或 tsne_results$Y 上计算 silhouette 分数吗？！
silhouette_score <- silhouette(cluster_assignments, dist(data1_scaled))
silhouette_score <- silhouette(cluster_assignments, dist(tsne_results$Y))
您的问题包含多个较小的问题，所以让我独立回答：
通常首先会像 PCA 一样执行降维，以消除无信息的维度（如果有）。那么最好在（简化的）数据集上进行聚类。最后，您在同一数据集上对数据进行 t-SNE 嵌入，只是为了将其可视化。 t-SNE 嵌入确实不可靠，只能用于可视化目的。
这取决于您的数据有多少维度。如果它的维度少于 20 个左右，您可以按原样使用数据，而不执行 PCA。由于您只有 9 个维度，因此我不建议您执行 PCA。如果你有 5000 个维度而不是 9 个维度，那么出于计算时间的考虑，也需要 PCA。
如前所述，仅将 t-SNE 嵌入用于可视化。因此，建议对用于聚类的同一数据集进行评估。
我给出的一些答案是基于观点的。最好的方法就是自己找到最佳的方法。但请记住，您的所有决定都必须得到正确的论证。之后，最好向您的主管咨询您的决定以及做出这些决定的原因。
为什么使用 t-SNE 来可视化数据？更快、更可靠的方法是使用 UMAP。有很多很棒的论文主张 UMAP 而不是 t-SNE。
这里讨论的操作顺序是基于我熟悉的单细胞RNA测序分析。该链接显示了一个包含高维数据集和进一步处理步骤的示例。