1樓：Relu
高維空間中不建議直接使用kmeans聚類，因為在高維空間中樣本的分布範圍往往比較分散，這時再用樣本之間的距離來度量相似性往往不具有很強的說服力，常用的做法是先考慮使用PCA降維，然後再考慮聚類。
2樓：侯萌
不是高維資料能不能用kmeans的問題，是高維度資料在任何模型中都可能表現很差。
你肯定聽過乙個詞——過擬合。我們回憶一下過擬合的表象：模型在訓練集中表現優秀，但是在測試集中表現很差，原因是，你的模型太複雜了，複雜到把訓練集中的資料雜訊都學習進去了。
那麼模型的複雜度是跟資料的維度正相關的（對於大多數模型來說，資料維度就是正比於模型複雜度的）。
如果想要更深入的理解，建議查一下維度詛咒這個詞。會有文章詳細解釋這個現象究竟為什麼會產生。歸根結底是隨著資料維度的增長，樣本與樣本之間的距離變遠了，所有的資料都位於空間的邊緣，想要訓練出來理想的模型，就必須要以指數級增加訓練樣本個數。
所以題注為什麼對降維這麼反感呢？特徵工程和資料降維是資料探勘過程中最重要，也是最有技術含量的細節，為什麼不去學習呢？
高維度是否干涉不到低維度？
嘿嘿嘿 其實吧。偶覺得，三維便是能感知的最低維度 乙個點 乙個面，總是有體積 高的，只是單位需要非常小而已。所以人類是真的沒見過一維 二維的，所以也無從談起干涉它們。類推的話 高緯度也只能想象出低維度世界，但接觸不到，當然，應該也沒興趣 你對乙個點乙個面能有多大興趣？ 薛丁格的彩票 目前沒有任何證據...
如何理解高維度空間？
小泉識 相當於一幢高樓，高樓前有一棵大樹，我們三維度的在三樓，其它維度的在更高的樓層，雖然從視窗看去都是同一棵樹，但是不同的樓層看到的樹的樣子是有所不同的，可以說，你的樓層越高，就越可以看到樹的全貌。 什麼叫 理解 為什麼要理解？乙個數學概念，計算的工具，會用就得了。還想要怎麼理解呢，會算不出錯就是...
從資料分析維度，如何判斷一款遊戲能盈利？
鄭金條 判斷一款遊戲的市場潛力其實是有邏輯的，包括 A，第乙個必須是產品的易用性 這個易用性包括題材，美術風格，玩法模型，使用者的上手模型，人機互動模型 這五個能快速判斷出一款遊戲的使用者滲透性到底好不好 B，第二個是遊戲的前期數值邏輯 這個前期的數值邏輯包括使用者的體驗流暢程度受限明不明顯，使用者...