使用固定組件和連續組件對稀疏向量進行聚類

Question

請針對以下聚類問題編碼數據。 我有一個包含汽車使用信息的數據集。數據集有以下幾個字段： 1.汽車模型（豐田Celica，寶馬，日產X-Trail，馬自達科斯莫等） 2.建成年份 3.汽車運行的國家 4.專業之前駕駛的距離維修

重要提示：上述數據集是稀疏。 在大多數情況下，對於給定的汽車，「距離」並不是所有國家都知道的。

問題： 對於給定的汽車，預測「距離」將在「距離」未知的國家進行大修之前運行。

我的方法： 我想將數據集中的每條記錄表示爲具有以下組件的稀疏向量： 1.二進制（1/0）汽車模型組件。這些組件的數量等於數據集中所有可能模型的數量。 2.二進制（1/0）汽車運行的國家。這些組件的數量等於數據集中所有可能國家的數量。 3.距離。單個整數分量等於汽車行駛的距離。

接着我想簇（k均值）這些載體並分析得到的基團。

問題： 1）在我的向量I混合不同性質的組成部分 - 二進制（模型，國家）和連續（距離）。如何計算矢量之間的分量距離？餘弦相似？ 2）使用有限的一組值（模型，國家）對組件進行編碼的其他方法可以很好地處理連續組件（如距離）？

謝謝！ 安東

Answer 1

1）從我的經驗，規範僅僅是重量（例如整個數據集）的功能，其範圍是相似的。我認爲餘弦相似性不會很好 - 考慮兩輛車的距離分別爲1公里和2公里。他們的距離和它們的距離差異可以忽略不計，但對於餘弦相似性（如果我理解正確的話）相當重要。

2）由於車只能有1個模型和1個國家（I假設），每一個都可以只通過一個整數（0 =豐田Celica，1 = BMW，2 =日產奇駿，3 =馬自達表示科斯莫等）。

我假設你一無所知不同型號或國家之間的關係，所以只定義距離相等（1如果相等，則爲0，適當加權）將是你能做的最好的。如果一輛車可以有一個以上的車型或國家，我會建議海明距離。

我希望你剛纔不小心跳過建造年份說明你的方法時，這是顯著的數字數據。所有的說法，我不認爲集羣會工作得太好，除非你添加一些額外的功能（包括一些連續的（數字）數據），如make（豐田，日產，馬自達等），重量，國家平均氣溫，全國平均降雨量或降雪量，道路狀況的數字表示等）。據我所知，聚類對於非數字數據（例如make/model）並不能很好地工作，但如果加權正確（或者如果你可以定義不同品牌/型號之間的數學關係），我想它能行得通。

只是一個想法，而不是經緯度定義國家呢？然後你可以計算國家之間的距離。否則，如果可能的話，我可能會建議將其替換爲關於該國家的數字特徵。

備註 - 在聚類中使用二進制字段的問題（對於製造商/模型的平等）是您必須自己挑選重量。這意味着您將領導集羣，這可能會導致集羣混亂，或者最好導致集羣符合您對數據的先入之見。這就是爲什麼數字數據更好。