我正在探索使用python集群某些类别数据的可能性。我目前有8个功能，每个功能约有3-10个级别。
据我了解，使用kmeans和kmodes的一键编码都可以在此框架中使用，由于维度问题的诅咒，kmeans在功能/级别的巨大组合中可能不理想。
这正确吗？
此刻，我将遵循kmeans路线，因为它也使我可以灵活地添加一些数字特征，并且计算轮廓统计量和评估最佳聚类数似乎要容易得多。
这有意义吗？您对其中一种方法应优先于另一种方法有何建议？
谢谢
答案 0 :(得分：0)
还有一些变体在分类属性上使用k-modes方法，在连续属性上使用均值。
相对于一键式+ k均值，k模式具有很大的优势：它是可解释的。每个群集对原型都有一个明确的分类价值。对于k均值，由于SSQ目标，如果一个热门变量介于两个值之间，则它们的误差最小。这是不可取的。
答案 1 :(得分：0)
请参阅Huang（Kmodes的作者）的这篇论文。 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.134.83&rep=rep1&type=pdf
他提到如果我们使用Kmeans +一种热编码，则如果分类属性具有大量类别，它将大大增加数据集的大小。这将使Kmeans的计算成本很高。因此，是的，您对维数诅咒的想法是正确的。
此外，由于0和1不是数据的实际值，因此聚类平均值也没有意义。另一方面，Kmodes产生集群模式，它们是真实数据，因此使集群可解释。
对于数字和分类属性的要求，请查看k-原型方法，该方法将kmeans和kmodes与平衡权重因子结合使用。 （再次在论文中解释）。