聚类二进制数据

Question

我想对以下数据（样本）进行聚类分析：

    ID     CODE1     CODE2     CODE3     CODE4      CODE5      CODE6
   ------------------------------------------------------------------
   00001     0         1         1         0          0          0
   00002     1         0         0         0          1          1
   00003     0         1         0         1          1          1
   00004     1         1         1         0          1          0
    ...

其中 1 表示存在该人的代码，0 表示不存在.. k-means 或层次聚类最适合对此类数据的代码进行聚类（对于大约一百万个不同的 id），以及使用哪种距离度量？如果这两种方法都不合适，您认为哪种方法最合适？

谢谢

Answer 1

不，k-means 对二进制数据没有多大意义。

因为 k-means 计算 means。但是二进制数据的平均向量是多少？

您的集群“中心”将不属于您的数据空间，也不属于您的输入数据。当它与您的对象完全不同时，这对我来说似乎不是一个合适的“中心”。

最有可能的是，您的集群“中心”最终会比实际的集群成员更相似，因为它们位于中心的某个位置，而您的所有数据都在角落。

认真研究一下您的数据类型的相似性函数。然后选择一个适用于这个距离函数的聚类算法。层次聚类很一般，但速度很慢。但您不必使用 40 年前的算法，您可能想研究更现代的东西。