分類問題における変数選択のベストプラクティス

Question

標記について質問させていただきます。

現在、ある構造化データをクラスタリングし、分類したいと考えています。

対象としている構造化データのカラム数は500程度あり、それなりの数になっています。
なので、一旦変数選択を行い、いらないカラムは削除してからクラスタリングを行いたいと思っています。

下記質問です。
■クラスタリングにおいては、どのような変数選択手法が適しているか。
→例えば重回帰分析の場合はVIFをつかって変数選択を行うだとか、相関行列を作成して相関係数が高いものは除外するとか、そのような変数選択手法があると理解しております。
クラスタリングの場合は、どのような変数選択手法がよいのでしょうか。

■可能であれば、上記でご教示いただいた変数選択手法のサンプルコード（Webや書籍）を教えていただければと思います。

どうぞよろしくお願いいたします。

Answer 1

閉じていない回答のようですのでご参考まで

クラスタリングと次元削減であれば

オライリージャパンの『Pythonではじめる教師なし学習』

が参考となると思います。

Answer 2

変数を落とすとデータが変わり、結果も変わります。クラスタリングはデータの可視化が目的なので、見たいデータを入力する、が正解のはずです。

分析の目的に基づいて決まるものなので、ある尺度で機械的に落とせばオッケー、という風には、なかなかなりません。

また、心配事が「変数の数が多いと計算コストが高い」とかなら、次元削減してから放り込む手もあります。速くなるかは問題設定（クラスタリングアルゴリズム、次元削減アルゴリズム、データ数）次第ですが。

Comments

[essa]

hayataka2049様
ご回答いただき、ありがとうございます。

>変数を落とすとデータが変わり、結果も変わります。クラスタリングはデータの可視化が目的なので、>
>見たいデータを入力する、が正解のはずです。
>分析の目的に基づいて決まるものなので、ある尺度で機械的に落とせばオッケー、という風には、なか
>なかなりません。

言われてみれば、たしかにそうだなと思いました。
次元削減の実施の方で考えてみます。

ありがとうございました。