PCA 与聚类解释

PCA 先把数据旋转到主要变化轴上，再保留其中几维；聚类则根据某种相似性或密度把样本组织成组。两者可以串联，但目标不同，二维散点图也只是原数据的一种投影。

可以把点云想成一块薄板：从正面看可能分成两层，从侧面看两层完全重叠。投影适合看结构，也会遮住某些结构，尤其当区分类别的信息恰好处于低方差方向。

PCA 使用中心化数据，依次选择投影方差最大的正交方向。特征单位不同时，大方差可能主要反映计量尺度；是否先标准化取决于任务，PCA 本身不会自动做单位方差缩放。

若在降维后运行 K-Means，距离变成保留方向上的距离。被丢弃轴的差异不再参与分组，因此得到的簇可能与原空间不同；保留 99% 方差也不能保证保留了业务上区分群体的那 1%。

聚类编号只标识分组，0 与 1 可以互换，不意味着健康与异常或低价值与高价值。解释时要回到原始特征、代表样本和外部证据，并检查不同种子、维数和缩放下的稳定性。

若 PCA 是下游预测或交叉验证流程的一部分，应只在训练折拟合均值与方向；若仅做全体样本的探索性可视化，也应明确其探索性质，不把图形分离当作独立测试结果。

X_c 为中心化数据，V_k 为保留方向。后续聚类如果使用 Z，就只根据保留子空间计算相似性。

• 先明确是探索图形、压缩数据还是为下游聚类建立表示。
• 根据单位与业务确定缩放，拟合 PCA 并查看保留方差。
• 对比原空间与投影空间的距离、分组和代表样本。
• 用原始特征及外部证据解释簇，检查维数与随机种子稳定性。

Python

• 全部八条输入明确定义，第一维变化远大于第二维。
• PCA 保留一维，K-Means 使用固定种子和显式 n_init。
• 比较投影前不同水平行的对应点，而不把簇编号当类别语义。

本例没有标准化，刻意展示原单位下最大方差的目标。保留方差约 99.8%，但两条水平行在一维投影后完全重叠，K-Means 转而按左右位置分组。输出是构造数据的实际计算，不是某真实群体的分析结论。

预期输出：

1retained_variance=0.998004
2opposite_row_projection_gap=0.000000
3projected_cluster_centers: [-2.0, 2.0]
4same_horizontal_row_split: True

• 高维样本的探索性可视化。
• 在保留子空间建立聚类并检查信息损失。
• 用原始特征与外部证据解释无语义的簇编号。

• 将二维投影中的分离或重叠当作原空间结论。
• 认为高解释方差必然保留业务分组信息。
• 未说明单位就让大尺度特征主导主成分。
• 把聚类编号直接命名为真实类别。
• 只挑一个漂亮的图，不检查维数、缩放与种子稳定性。