您好我有一个可以使用以下方法模拟的数据集：
set.seed(123)
v1 <- rbinom(10000, 1, .2)
v2 <- rbinom(10000, 1, .3)
v3 <- rbinom(10000, 1, .25)
v4 <- rbinom(10000, 1, .5)
v5 <- rbinom(10000, 1, .35)
v6 <- rbinom(10000, 1, .2)
v7 <- rbinom(10000, 1, .3)
v8 <- rbinom(10000, 1, .25)
v9 <- rbinom(10000, 1, .5)
v10<- rbinom(10000, 1, .35)
dats <- data.frame(v1,v2,v3,v4,v5,v6,v7,v8,v9,v10)
我正在使用Jaccard距离来创建一个距离结构，如下所示：
dat.jac <- philentropy::distance(dats, method = "jaccard")
所以这是我的问题：由于这些是二进制变量，这意味着最多有2 ^ 10 = 1024个唯一组。这是否意味着我有超过1024点的数据？另一种问题是我需要计算独特观测值的Jaccard距离并使用观测值作为权重，还是只计算每个观测（行）的Jaccard距离以得到距离矩阵？在编程方面，我应该继续下列哪一项？
dat.jac <- philentropy::distance(dats, method = "jaccard")
或
dat.jac <- philentropy::distance(unique(dats), method = "jaccard")
我的目标是使用以下代码在分层聚类中使用距离矩阵：
dist.jac.mat<- as.matrix(dist.jac)
dist.jac.mat[is.na(dist.jac.mat)] <- 0
hc <- hclust(as.dist(dist.jac.mat), method = "single")
fviz_nbclust(dats, FUN = hcut, diss = as.dist(dist.jac.mat), k.max = 15,
nboot = 250, method = "silhouette")
答案 0 :(得分：1)
对于单链接，仅使用唯一点确实就足够了。 因为数量对于单个和完整的链接无关紧要。 对于其他联系，这通常不成立。在那里你需要使用加权聚类，并按重复数量加权。
但是，您会遇到其他问题：
由于您几乎拥有所有组合，因此群集将毫无用处。只有极少数可能的距离，你的树形图可能只有很少的水平，直到一切都连接。这是这类数据所固有的。群集最适用于连续变量，在这些变量中，重复距离非常短。