测量集群内的差异-Kmodes

Question

我正在使用分类数据进行聚类。我遇到了Kmodes算法，发现它非常适合我的要求。现在，我想针对所有群集测量群集内的差异。我正在考虑使用群集来衡量差异，并尽可能减少它。有什么办法吗？ 另外，是否有任何方法可以检查我的数据集群的效率？ 由于我的数据是分类数据，因此将距离视为指标的方法可能无济于事。

Answer 1

要测量集群中的差异，您需要提出某种度量标准。对于分类数据，计算不相似度的可能方法之一可能是：

d(i, j) = (p - m) / p

其中：

• p是数据中类别/类别的数量
• m是样本i和j之间的匹配数

例如，如果您的数据具有3个分类特征，并且样本i和j如下：

    Feature1  Feature2  Feature3
i    x          y          z
j    x          w          z

因此，在这里，我们具有3个分类特征，因此p=3和这三个特征中，两个特征对于样本i和j具有相同的值，因此m=2 。因此

d(i,j) = (3 - 2) / 3
d(i,j) = 0.33

另一种替代方法是将分类变量转换为单热编码特征，然后计算jaccard simmilarity。

因此，为了衡量集群中的差异，您可以计算集群中每个对象之间的成对差异，然后取其平均值。

基于这些度量，您还可以使用silhoutte score来评估聚类的质量（但是您需要带着一粒盐来接受，有时评分会很好，而聚类可能不是您所期望的）。