用于网络数据聚类的预处理

Question

我将对网络数据应用群集（k-means），其中包含ip地址和端口号等列。尽管端口号是整数，但是例如第80和第81端口之间的关系不比第80和第1800端口之间的关系更接近。所以我认为我不应该使用它们（整数）。

我认为使用DictVectorizer也不合适，因为有65535个端口所以我需要一个不同的方法。 IP地址与端口有相同的问题。

使用或不使用scikit-learn（或使用或不使用k-means）有没有办法解决问题？

Answer 1

k-means必须计算表示。

端口80和81的平均值是多少？港口80.5？

不，k-means 仅对连续和线性属性敏感。否则，方差（k均值的优化标准）和均值都没有任何意义......

您可以尝试各种黑客攻击，例如将每个端口设为单独的属性。但k-means对二进制数据也没有意义。

使用其他算法。基于距离的算法很好，如果你已经弄清楚如何测量相似性。