如何表示k數據表示聚類

Question

我有用戶組及其關聯詞。這是我已分組它們：

我已關聯的每個字與數目，且如果用戶沒有任何的這些詞語相關聯的I得到的值0：

谷歌：1 計算器：2 數學：3 編程：4 noword：0

要運行K-means算法我詞語相關聯，如下所示：

username google stackoverflow math programming 
user1  1  0   3  0 
user2  1  2   0  4 
user3  0  2   3  0 
user4  1  1   0  4 

這是一個正確實施如何對每個用戶進行聚類，並根據他們配置的單詞檢查彼此之間的距離。

我在此基礎實施：http://en.wikibooks.org/wiki/Data_Mining_Algorithms_In_R/Clustering/K-Means

尤其是本節：您的數據可以構造爲二進制

Answer 1

通知。例如，用戶1或者具有與stackoverflow的關聯或者不具有（即，二進制值）。因此，你應該Munge時間你的數據格式爲：

username google stackoverflow math programming 
user1  1  0   1  0 
user2  1  1   0  1 
user3  0  1   1  0 
user4  1  1   0  1 

我會建議對K-均值爲您的數據，因爲聚類中心的概念是二進制數據有問題。有關更多詳細信息，請參閱this link的前幾個段落。

但是，仍然可以使用適當的方法（例如Jaccard index）計算任意兩個用戶之間的相似度，因爲每個用戶的單詞關聯可以寫爲二進制字符串（例如，user1具有1010）。然後，您可以在所有用戶對之間構建一個similarity matrix，並使用諸如hierarchical clustering之類的方法對它們進行聚類。

或者，您可以使用類似Proximus in R的東西。