【发布时间】:2013-12-23 08:45:49
【问题描述】:
在我的数据中,有千万个二进制属性, 但其中只有一些是信息丰富的,其中大多数是零。
格式如下:
data attribute1 attribute2 attribute3 attribute4 .........
A 0 1 0 1 .........
B 1 0 1 0 .........
C 1 1 0 1 .........
D 1 1 0 0 .........
什么是集群的聪明方法? 我知道 K 均值聚类。但我认为它不适合这种情况。 因为二进制值使距离不那么明显。 并且会遭受高维的诅咒。 Eeve 如果我基于那几个信息属性进行聚类,它仍然是许多属性。
我认为决策树很适合对这些数据进行聚类。 但它是一个分类算法!
我能做什么?
【问题讨论】:
-
您好。只是想知道这些属性可能代表什么以及它们是否有意义?在这种情况下,汉明距离可能会做得更好。
-
我的想法:还是用k-means;距离度量:汉明距离;代表性更新:每个属性的取模式......只是随机猜测
-
谢谢雷!汉明距离对我来说是一个信息丰富的想法!这些属性是用户对 URL 的点击。这就是为什么有这么多网址的原因!它们实际上是正整数属性,但大多数数字是 1 或 0。所以我将它们视为二进制。
-
不客气!其实我对你的任务很感兴趣。如果您发现任何有趣的事情,请更新我! :)
标签: machine-learning data-mining cluster-analysis