我有一组具有50个特征（c1，c2，c3 ...）的数据，具有超过8万行。
每行包含归一化的数值（范围为0-1）。它实际上是一个归一化的伪变量，其中某些行只有3-4个很少的特征（即，如果没有值，则分配0）。大多数行具有大约10-20个功能。
我使用KMeans对数据进行聚类，总是导致具有大量成员的聚类。经过分析，我注意到具有少于4个特征的行趋于聚集在一起，这不是我想要的。
反正是集群平衡了吗？
答案 0 :(得分：1)
产生平衡簇不属于k均值目标的一部分。实际上，具有均衡群集的解决方案可能会很糟糕（只需考虑具有重复项的数据集）。 K-means使平方和最小，并将这些对象放在一个群集中似乎是有益的。
您看到的是在稀疏，非连续数据上使用k均值的典型效果。编码的分类变量，二进制变量和稀疏数据仅不太适合 means 的k均值使用。此外，您可能还需要仔细权重变量。
现在，一个可能会改善您的结果的修补程序（至少是可感知的质量，因为我认为它不会使它们在统计上更好），将每个向量归一化到单位长度（欧几里得范数1）。这将强调那些具有很少非零条目的行。您可能会更喜欢结果，但更难解释。