我正在尝试群集随附的电影数据集＆＃34; ggplot2＆＃34;在R.我将使用k-means。此数据集附带的列名称为：
[1] "title" "year" "length" "budget" "rating"
[6] "votes" "r1" "r2" "r3" "r4"
[11] "r5" "r6" "r7" "r8" "r9"
[16] "r10" "mpaa" "Action" "Animation" "Comedy"
[21] "Drama" "Documentary" "Romance" "Short"
你认为根据电影类型进行聚类是个好主意吗？我有点失落，不知道从哪里开始。有什么建议吗？
答案 0 :(得分：1)
回答你的第一个问题：是的，我认为这是一个有趣的项目。使用此数据集可能是了解不同数据挖掘技术的一种很酷的方式。
要回答你的第二个问题，这里有一些建议。聚类是一种无监督的学习技术。当目标变量（在这种情况下，目标变量可能是电影的类型）未知时，学习是无监督的。但是，查看您列出的列，您似乎确实拥有类型信息。考虑到这一点，您有两种选择。首先，你可以假装你没有类型信息。在这种情况下，您可以将k-means应用于其余数据。完成聚类后，您可以通过将算法与已知类型进行比较来评估算法的完成情况。其次，您可以将此问题视为分类问题。在这种情况下，您将使用类型信息来学习可以预测类型的模型。你可能已经知道了，但我只是想说出来。
为了特别针对群集问题提供一些建议，我首先要了解＆＃39; r1＆＃39;，...，＆＃39; r10＆＃39;变量代表。它们是数字变量还是分类？ K-means有两个步骤：一个是将数据点分配给最接近它的质心，另一个是通过取一个簇中所有数据点的平均值来计算新质心的步骤。取这些变量的意思是否有意义？
考虑到这一点，我建议首先选择要在聚类算法中使用的变量。然后编写以下函数：一个可以计算两个点之间距离的函数，一个可以将观测值分配给最近的质心，另一个可以根据赋值重新计算质心。
答案 1 :(得分：1)
您需要弄清楚良好群集是什么。
有数百万种方法可以对此数据集进行聚类。因为您可以不同地预处理数据，所以使用不同的算法，距离等。
如果没有您的指导，聚类算法只会做一些事情，并且可能会返回一个完全没用的结果！
所以你需要首先明确一个目标：什么是好的聚类？
然后，您可以尝试调整数据，以便聚类算法针对此目标进行优化。对于k-means，您需要在预处理中完成所有这些操作。对于hclust，您还可以选择符合您需求的距离函数。