sklearn里聚类的方法，dbscan和kmeans只适用于二维空间是吗？

Question

问题描述

最近在做聚类方面的工作，手上是一个10维数组。需要尝试去聚类，然后组里的人用的是skleanr库里的dbscan和kmeans。他们的做法是直接把这个数组扔到dbscan和kmeans里去。然后我发现一个大问题：
在高维空间下，如何才能确定类的大小已经类内至少应该有多少数据？
我看了下dbscan和kmeans的原理，难道不应该是只在二维空间下才是有意义的吗？因为高维空间你无法观察到类的大小或者说空间里可能有多少个类。

问题出现的平台版本及自己尝试过哪些方法

我找到了这个：
https://en.wikipedia.org/wiki...

不知道是不是这个才是我应该应用的方法？

可是因为我自己也是数据挖掘的新手。所以不确定多维空间的聚类是不是应该这样做。谢谢各位大佬

Answer 1

因为之前没有人回答，我看了几本书。现在有结论了

因为你不清楚高维空间中是否有很奇怪的结构，所以欧氏距离并不一定可以使用，比如isomap中的那个瑞士卷。
第二点是这种高维数据cluster以后，你无法有一个直接的观察，只能通过在某个3d或者2d的投影上来观察是否结果正常。如果维度很高，需要观察的选择太多，可行性太低。

解决方法：

1. 更好了解问题。
2. 选择合适的方法降维。