k-means - 如何从余弦相似度进行文本聚类

Question

我正在使用 WEKA 执行文本收集。假设我有 n 个带有文本的文档，我计算 TFID 作为每个文档的特征向量，然后计算每个文档之间的余弦相似度。它生成 nXn 矩阵。现在我想知道如何在 k-mean 算法中使用这个 nxn 矩阵。我知道我可以应用一些降维，例如 MDS 或 PCA。我在这里感到困惑的是，在应用降维之后，我将如何识别该文档本身，例如，如果我有 3 个文档 d1,d2 d3，那么余弦会给我 d11,d12,d13 d21,d22,d23 d31,d32 之间的距离,d33 现在我不确定 PCA 或 MDS 之后会输出什么，以及我将如何识别 kmean 之后的文档。请建议。我希望我已经清楚地提出了我的问题

Answer 1

PCA 用于原始数据，而不是距离，即PCA(X).

MDS 使用距离函数，即MDS(X, cosine)。

你似乎相信你需要跑步PCA(cosine(X))？那是行不通的。

你想跑MDS(X, cosine)。