2Dでの多次元データ（LSI）の視覚化

潜在的なセマンティックインデックスを使用して、ドキュメント間の類似点を見つけています（JMSに感謝します）

次元を削減した後、ドキュメントをクラスターにグループ化するためにk平均クラスタリングを試しましたが、これは非常にうまく機能します。しかし、少し先に進んで、ドキュメントをノードのセットとして視覚化します。ここで、任意の2つのノード間の距離は、類似性に反比例します（非常に類似しているノードは互いに接近しています）。

データが2次元を超えるため、類似度行列を2次元のグラフに正確に縮小できないことに不思議に思います。だから私の最初の質問：これを行う標準的な方法はありますか？

データを2次元に削減してから、それらをX軸とY軸としてプロットできますか？それは、100から200までのドキュメントのグループに対して十分でしょうか？これが解決策である場合、データを最初から2次元に削減する方が良いですか、それとも多次元データから2つの「最良の」次元を選択する方法はありますか？

私はPythonとgensimライブラリを使用しています。

$S = X X^\top$$S$$M = V \Lambda V^\top = X X^\top$$X = V \Lambda^{1/2}$

$\Lambda$$X$

MDSで利用できるコードはたくさんあります（そして、scipyにいくつかのバージョンがない場合は驚かれます）。いずれにせよ、あなたが設定したPythonのSVDルーチンにアクセスできる限り。

あなたを助けることができるggobiと呼ばれるソフトウェアの一部があります。多次元の疑似空間を探索できます。それは主にデータ探索のためですが、そのインターフェースは非常に友好的で、「それだけで動作します」！

CSV形式（RIでは通常、デフォルトのパラメーターを指定してwrite.csvを使用するだけ）またはXMLファイル（この形式を使用すると、より詳細に制御できます。通常、テーブルをCSVに保存してから、ggobiを使用してXMLにエクスポートし、手動で編集します。たとえば、いくつかの要因の順序を変更します）。