【问题标题】:How to cluster data with discrete binary attributes?如何对具有离散二进制属性的数据进行聚类?
【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


【解决方案1】:

您是否考虑过频繁项集挖掘?

K-means 绝对是个坏主意,但是在使用适当的距离函数(例如 Jaccard、hamming、dice...

无论如何,什么是集群?算法的选择需要适合您要查找的集群类型。在二进制数据上,k-means 等基于质心的方法没有意义,因为质心没有太大意义。

如果数据是“购物车”类型的信息,请考虑使用频繁项集挖掘,因为它可以发现重叠的子集。

【讨论】:

  • 谢谢!但我的目的是对不同的用户进行分组。频繁项集挖掘如何对用户进行分组?
  • 这将产生如下组:“共享相同的频繁项集”。如果你想拥有基于相似兴趣的群组,这似乎是一个不错的“集群”选择。 (但您需要能够处理重叠集群和单例)。
  • 这就是我想知道的。我不知道如何处理这些。但是你给了我新的关键词“聚类相似的兴趣”。我可以得到更多的信息。谢谢!
猜你喜欢
  • 2011-10-04
  • 1970-01-01
  • 2013-07-27
  • 2019-08-12
  • 2010-10-24
  • 1970-01-01
  • 2023-03-26
  • 1970-01-01
  • 2012-07-10
相关资源
最近更新 更多