聚类二进制数据

Question

我想对以下数据（样本）执行聚类分析：

    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表示缺席。 k-means或层次聚类最适合聚类这类数据的代码（大约一百万个不同的ID），以及用哪个距离测量？如果这两种方法都不合适，您认为最合适的是什么？

谢谢

Answer 1

不，k-means对二进制数据没有多大意义。

因为k-means计算意味着。但是二进制数据的平均向量是什么？

您的群集“中心”不属于您的数据空间，也不属于您的输入数据。这对我来说似乎不是一个合适的“中心”，当它与你的物体完全不同时。

最有可能的是，您的群集“中心”最终会变得彼此更加相似，而不是实际的群集成员，因为它们位于中心的某个位置，而您的所有数据都位于角落。

说真的，研究数据类型的相似度函数。然后选择适用于此距离函数的聚类算法。分层聚类非常通用，但速度很慢。但是你不必使用40岁的算法，你可能想要研究更现代的东西。