bounty将在3天后过期。此问题的答案可获得+250声誉奖励。Programming Noob正在寻找来自声誉良好来源的答案：这里的目标是看看每个特征对每个聚类有什么贡献，即使每个聚类中有不同的标签。我的假设是不同的标签有共同的特征，这就是为什么它们聚在一起，比如红色和绿色，所以我想知道这些标签有什么共同的特征，使它们聚在一起。非常感谢。

下面的图显示了t-SNE图。我可以在这里显示它，但遗憾的是，我不能显示标签。有4个不同的标签：

使用名为scores的数据框创建该图，该数据框包含约1100个患者样本及其列所代表的25个特征。该图的标签来自名为metadata的单独数据框。使用scores和metadata数据框的信息，使用以下代码生成该图。

tsneres <- Rtsne(scores, dims = 2, perplexity = 6)
tsneres$Y = as.data.frame(tsneres$Y)
ggplot(tsneres$Y, aes(x = V1, y = V2, color = metadata$labels)) + 
  geom_point()

我的使命：

我想分析t-SNE图并确定每个聚类中最常见的特征或“得分”矩阵中的列。具体来说，我想了解哪些特征最有助于区分图中出现的不同聚类。是否可以使用替代算法，如PCA，为了完成这项任务，它保留了数据点之间的距离，也许它甚至比t-SNE更好？
这是scores的一个例子，这不是真实的的数据，但很相似：

structure(list(Feature1 = c(0.1, 0.3, -0.2, -0.12, 0.17, -0.4, 
-0.21, -0.19, -0.69, 0.69), Feature2 = c(0.22, 0.42, 0.1, -0.83, 
0.75, -0.34, -0.25, -0.78, -0.68, 0.55), Feature3 = c(0.73, -0.2, 
0.8, -0.48, 0.56, -0.21, -0.26, -0.78, -0.67, 0.4), Feature4 = c(0.34, 
0.5, 0.9, -0.27, 0.64, -0.11, -0.41, -0.82, -0.4, -0.23), Feature5 = c(0.45, 
0.33, 0.9, 0.73, 0.65, -0.1, -0.28, -0.78, -0.633, 0.32)), class = "data.frame", row.names = c("Patient_A", 
"Patient_B", "Patient_C", "Patient_D", "Patient_E", "Patient_F", 
"Patient_G", "Patient_H", "Patient_I", "Patient_J"))

编辑- PYTHON

我也遇到了同样的问题python，我一开始尝试PCA，但是结果很糟糕，所以我先用t-SNE降维，结果更好，然后用k-means聚类，我还是得到了和之前一样的问题，刚才我不介意用R或者python。
这是新的情节：

代码是这样的：

from sklearn.manifold import TSNE
tsne = TSNE(n_components=2, perplexity=30, learning_rate=200)
tsne_result = tsne.fit_transform(scores)

#create a dict to map the labels to colors
label_color_dict = {'label1':'blue', 'label2':'red', 'label3':'yellow', 'label4':'green'}

#create a list of colors based on the 'labels' column in metadata
colors = [label_color_dict[label] for label in metadata[['labels']]

plt.scatter(tsne_result[:, 0], tsne_result[:, 1], c=colors, s=50)
plt.scatter(cluster_centers[:, 0], cluster_centers[:, 1], c='red', marker='o')

# Add labels to the cluster centers
for i, center in enumerate(cluster_centers,1):
    plt.annotate(f"Cluster {i}", (center[0], center[1]), 
                 textcoords="offset points", 
                 xytext=(0,10), ha='center', fontsize=20)