我目前有一个非常大的dataset，其中包含2个仅包含字符串的属性。第一个属性包含搜索查询（单个单词），第二个属性具有相应的类别。
所以数据设置如下（搜索查询可以有多个类别）：
搜索查询|分类
X | ÿ
X | Z
A |乙
C | ģ
C | ħ
现在我正在尝试使用聚类算法来了解我的数据所包含的不同组。我在某处读到，当使用仅具有字符串的聚类算法时，建议首先使用预期最大聚类算法来了解我需要多少个聚类，然后将其与K-means一起使用。
不幸的是，我对机器学习和Weka来说还是一个新手，所以我不断阅读所有自学的东西。我可能会在这里犯一些非常简单的错误，请耐心等待，请：）
所以我在Weka中导入了dataset的样本（270万行中的100.000行）并使用了EM聚类算法，它给了我以下结果：
=== Run information ===
Scheme: weka.clusterers.EM -I 100 -N -1 -X 10 -max -1 -ll-cv 1.0E-6 -ll-iter 1.0E-6 -M 1.0E-6 -K 10 -num-slots 1 -S 100
Relation: testrunawk1_weka_sample.txt
Instances: 100000
Attributes: 2
att1
att2
Test mode: split 66% train, remainder test
=== Clustering model (full training set) ===
EM
==
Number of clusters selected by cross-validation: 2
Number of iterations performed: 14
[135.000 lines long table with strings, 2 clusters and their values]
Time is taken to build a model (percentage split): 28.42 seconds
Clustered Instances
0 34000 (100%)
Log-likelihood: -20.2942
那么我应该从中推断出我应该使用带有k-means的2或34000个簇？
不幸的是，两者似乎都无法使用。我所希望的是，我得到了20个集群，然后我可以单独查看这些集群，以确定在我的数据中可以找到哪种类型的组。在我的数据中，2个集群似乎太低了，而且有大量的类别等，34000个集群对于手动检查来说太过分了。
我不确定我在Weka EM算法设置中是否做错了（现在设置为标准）或者我的数据是否一团糟，如果是这样，我将如何使这项工作成功？
我仍然非常了解这一切是如何运作的，所以任何建议都非常感谢！如果需要更多我的设置示例或其他任何事情只需告诉我，我会为你得到它。如果这更容易，我也可以将此dataset发送给您，但它太大而无法粘贴到此处。 ：）