多元数据的 K-Means 聚类（具有离散和连续属性）
K-Means clustering for multivariate data (with both discrete and continuous attributes)
我想知道如何使用 K 均值对多元数据集进行聚类。这个数据集中的每个样本都对应一个Person（我有6000个人），每个Person既有连续属性又有离散属性（10attributes/Person）。一个例子：
- person_id: 1234
- name: "John Doe"
- age: 30
- height: '5 ft 10 in'
- salary_value: 5000
- Salary_currency: USD
- is_customer: False
- Company: "Testing Inc."
- ...
我已经阅读了关于 multidimensional k-means clustering, but the attributes in the dataset there are all continuous. Even a more helpful reading was a post about clustering algorithm 的关于连续变量和离散变量的现有答案。正如后者所提到的，我承认我可能必须找到一个重视离散状态的函数。但是我不能使用 ROCK 或 COBWEB 进行聚类，只能使用 k-means。
我可以使用哪些函数将离散值转换为连续值？此外，有什么方法可以让我也确定属性的优先级（比如基于 Salary/Age 的聚类比高度更重要），还是我应该改进整个方法？
K-means算法对具有连续特征的数据点进行聚类。
将离散特征转换为连续特征的方法是一种热门方法encoding.This将公司名称等分类特征转换为数值数组。您可以查看文档 here。
您还需要对每个特征进行归一化，使它们处于相同的范围内，比如 0 到 1。要重视某些特征，请保持重要特征的范围更高。
不要对此类数据使用 k-means！
K-means 建立在三个重要假设之上：
- 每个属性的均值代表数据
- 平方偏差要最小化
- 它们都同样重要
k 均值中的这些假设意味着您应该仅将其用于区间尺度变量 (1)，即不偏斜 (2)，并且具有可比较的值域（不要混合使用不同的单位/尺度；例如薪水、年龄和身高）(3).
类别的一种热编码不会使它们间隔缩放。如果你只是将数据转换成一些 IR^p 向量 space，你会得到 "some output"，但它不是 good objective .你回答错了问题，因为你一开始就没有刻意去表述问题。
如果幸运的话，只有一个属性（在您的情况下可能是薪水）支配结果，而所有其他属性无论如何都不会影响结果...
我想知道如何使用 K 均值对多元数据集进行聚类。这个数据集中的每个样本都对应一个Person（我有6000个人），每个Person既有连续属性又有离散属性（10attributes/Person）。一个例子：
- person_id: 1234
- name: "John Doe"
- age: 30
- height: '5 ft 10 in'
- salary_value: 5000
- Salary_currency: USD
- is_customer: False
- Company: "Testing Inc."
- ...
我已经阅读了关于 multidimensional k-means clustering, but the attributes in the dataset there are all continuous. Even a more helpful reading was a post about clustering algorithm 的关于连续变量和离散变量的现有答案。正如后者所提到的，我承认我可能必须找到一个重视离散状态的函数。但是我不能使用 ROCK 或 COBWEB 进行聚类，只能使用 k-means。
我可以使用哪些函数将离散值转换为连续值？此外，有什么方法可以让我也确定属性的优先级（比如基于 Salary/Age 的聚类比高度更重要），还是我应该改进整个方法？
K-means算法对具有连续特征的数据点进行聚类。
将离散特征转换为连续特征的方法是一种热门方法encoding.This将公司名称等分类特征转换为数值数组。您可以查看文档 here。
您还需要对每个特征进行归一化，使它们处于相同的范围内，比如 0 到 1。要重视某些特征，请保持重要特征的范围更高。
不要对此类数据使用 k-means！
K-means 建立在三个重要假设之上：
- 每个属性的均值代表数据
- 平方偏差要最小化
- 它们都同样重要
k 均值中的这些假设意味着您应该仅将其用于区间尺度变量 (1)，即不偏斜 (2)，并且具有可比较的值域（不要混合使用不同的单位/尺度；例如薪水、年龄和身高）(3).
类别的一种热编码不会使它们间隔缩放。如果你只是将数据转换成一些 IR^p 向量 space，你会得到 "some output"，但它不是 good objective .你回答错了问题，因为你一开始就没有刻意去表述问题。
如果幸运的话，只有一个属性（在您的情况下可能是薪水）支配结果，而所有其他属性无论如何都不会影响结果...