kmodes VS one-hot encoding + kmeans 用于分类数据？
kmodes VS one-hot encoding + kmeans for categorical data?
我正在探索使用 python 对一些分类数据进行聚类的可能性。我目前有 8 个功能，每个功能大约有 3-10 个级别。
据我所知，在这个框架中可以使用 kmeans 和 kmodes 的单热编码，由于维度灾难问题，kmeans 可能不适合 features/levels 的大量组合.
这是正确的吗？
目前我会遵循 kmeans 路线，因为它可以让我灵活地投入一些数值特征，并且计算轮廓统计和评估最佳聚类数量似乎要容易得多。
这有意义吗？对于应该优先使用一种方法的情况，您有什么建议吗？
谢谢
还有一些变体对分类属性使用 k-modes 方法，对连续属性使用均值。
K-modes 比 one-hot+k-means 有一个很大的优势：它是可解释的。每个集群都有一个明确的原型分类值。对于 k-means，由于 SSQ objective，如果 one-hot 变量介于值之间，则它们的误差最小。这是不可取的。
参考Huang（Kmodes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，如果分类属性具有大量类别，则会大大增加数据集的大小。这将使 Kmeans 的计算成本很高。所以是的，你关于维度诅咒的想法是正确的。
此外，聚类意味着没有意义，因为 0 和 1 不是数据的实际值。另一方面，Kmodes 生成集群模式，这些模式是真实数据，因此使集群可解释。
对于您对数值和分类属性的要求，请查看 k-prototypes 方法，该方法结合了 kmeans 和 kmodes 以及使用平衡权重因子。 （再次在论文中解释）。
我正在探索使用 python 对一些分类数据进行聚类的可能性。我目前有 8 个功能，每个功能大约有 3-10 个级别。
据我所知，在这个框架中可以使用 kmeans 和 kmodes 的单热编码，由于维度灾难问题，kmeans 可能不适合 features/levels 的大量组合.
这是正确的吗？
目前我会遵循 kmeans 路线，因为它可以让我灵活地投入一些数值特征，并且计算轮廓统计和评估最佳聚类数量似乎要容易得多。
这有意义吗？对于应该优先使用一种方法的情况，您有什么建议吗？
谢谢
还有一些变体对分类属性使用 k-modes 方法，对连续属性使用均值。
K-modes 比 one-hot+k-means 有一个很大的优势：它是可解释的。每个集群都有一个明确的原型分类值。对于 k-means，由于 SSQ objective，如果 one-hot 变量介于值之间，则它们的误差最小。这是不可取的。
参考Huang（Kmodes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，如果分类属性具有大量类别，则会大大增加数据集的大小。这将使 Kmeans 的计算成本很高。所以是的，你关于维度诅咒的想法是正确的。
此外，聚类意味着没有意义，因为 0 和 1 不是数据的实际值。另一方面，Kmodes 生成集群模式，这些模式是真实数据，因此使集群可解释。
对于您对数值和分类属性的要求，请查看 k-prototypes 方法，该方法结合了 kmeans 和 kmodes 以及使用平衡权重因子。 （再次在论文中解释）。