聚类二进制d

Question

我想对以下数据执行聚类分析（示例）：

    ID     CODE1     CODE2     CODE3     CODE4      CODE5      CODE6
   ------------------------------------------------------------------
   00001     0         1         1         0          0          0
   00002     1         0         0         0          1          1
   00003     0         1         0         1          1          1
   00004     1         1         1         0          1          0
    ...

其中1表示该代码存在，0表示不存在。。 k-means或层次聚类最适合于对这类数据的代码进行聚类（对于大约一百万个不同的id），以及使用哪种距离度量？如果这两种方法都不合适，你认为什么最合适？在

谢谢你

Answer 1

不，k-means对二进制数据没有多大意义。在

因为k-均值计算均值。但是二进制数据的平均向量是多少？在

您的集群“中心”将不是您的数据空间的一部分，与您的输入数据完全不同。当它和你的物体完全不同的时候，对我来说这似乎不是一个合适的“中心”。在

最有可能的是，您的集群“中心”最终将彼此更加相似，而不是实际的集群成员，因为它们位于中心的某个地方，而您的所有数据都在角落中。在

认真地说，研究数据类型的相似函数。然后选择一个使用这个距离函数的聚类算法。层次聚类是相当普遍的，但非常缓慢。但你不必使用一个40年前的算法，你可能想看看更现代的东西。在