ptikobj
2012-05-10 15:44:37 UTC
我有一個數據集X，它有10個維度，其中4個是離散值。實際上，這4個離散變量是有序的，即值越高意味著語義越高/更好。
2 of這些離散變量在某種意義上是分類的，對於每個這些變量，距離例如從11到12的距離與從5到6的距離並不相同。雖然較高的變量值實際上意味著較高，但比例不一定是線性的（實際上，它並沒有真正定義）。
我的問題是：
- 將通用的聚類算法（例如K-Means然後是高斯混合（GMM））應用於此數據集是否是個好主意？
是否不連續
- 我是否應該刪除離散變量並僅關注連續變量？
- 我是否應該更好地離散化連續數據並將離散數據使用聚類算法？
您需要找到一個好的距離度量（通常是群集中最困難的任務）：如果您可以找到一個能夠正確，準確地描述您的數據項有（或沒有）相似性的距離度量，那麼您應該不會有任何問題。
談到這兩個分類變量，您實際上將它們描述為序數。現在，其餘2個“普通”變量又如何呢？它們與那些有何不同？
它們也是離散的，但是它們都具有有意義的距離函數，即它們是基於間隔的（如果我不搞亂基於間隔的定義）。