我有一个关于 k-means 聚类的问题。我们有一个包含 120,000 个观测值的数据集，需要使用 R 计算 k-means 聚类解决方案。问题是 k-means 通常使用欧几里得距离。我们的数据集由 3 个连续变量、11 个序数（Likert 0-5）（我认为可以像连续处理它们一样）和 5 个二进制变量组成。关于“大型”数据集，您对我们可以用于 k-means 方法的距离度量有什么建议吗？我们坚持使用 k-means，所以我真的希望你们中的一个人有一个好主意。
干杯，
马丁
【问题讨论】：
cluster 包中的daisy 函数中实现。
标签： r cluster-analysis distance k-means similarity
混合模型可用于对混合数据进行聚类。
您可以使用 R 包 VarSelLCM，它在每个集群内对高斯分布的连续变量和序数/二元变量进行建模。
此外，缺失值可以由手头的模型管理。
【讨论】：
将变量编码为二进制不会解决根本问题。相反，它只会帮助增加数据维度，增加负担。统计中的最佳实践是不要将原始数据更改为任何其他形式，例如连续数据到分类数据，反之亦然。但是，如果您这样做，即数据转换，那么它必须与要解决的问题同步，并且您必须提供有效的理由。
继续，正如其他人所说，首先尝试降低数据集的维数。检查missing values、outliers、zero variance、principal component analysis (continuous variables)、correspondence analysis (for categorical variables) 等问题。这可以帮助您降低维度。毕竟，数据预处理任务构成了分析的80%。
关于混合数据类型的距离度量，您确实了解k 中的mean 仅适用于continuous 变量。所以，我不明白将算法k-means 用于混合数据类型的logic？
考虑选择其他算法，如k-modes。 k-modes 是 k-means 的扩展。它使用差异而不是距离（即，量化两个对象之间的总不匹配：这个数字越小，两个对象越相似）。而不是手段，它使用模式。模式是一个元素向量，可以最大限度地减少向量本身与数据的每个对象之间的差异。
【讨论】：
您当然也可以将二进制变量编码为 0,1。
由于分布不均匀，不将李克特量表变量视为数字是统计的最佳做法。
但我不知道你会得到有意义的 k-means 集群。该算法是关于计算手段的。这对连续变量是有意义的。离散变量通常缺乏“分辨率”才能正常工作。三个均值然后降级为“频率”，然后应该以非常不同的方式处理数据。
不要用锤子选题。也许您的数据不是钉子；即使你想用kmeans来解决它，它也不能解决你的问题......相反，请制定你的问题，然后选择正确的工具。那么根据您的数据，什么是好的集群？除非你有一个方程来衡量这个，否则处理数据不会解决任何问题。
【讨论】：
一种方法是对特征进行归一化，然后只使用 11 维 欧几里得距离。将二进制值转换为 0/1（嗯，它是 R，所以无论如何它都会这样做）并从那里开始。
除了 11 维的 k-means 之外，我认为这种方法没有直接的问题，肯定很难解释。您可以尝试使用降维技术，并希望使 k-means 输出更易于阅读，但您对数据集的了解比我们以往任何时候都多，因此我们为您提供帮助的能力有限。
【讨论】：