機器學習，標稱數據標準化

Question

我正在研究kmeans集羣。 我有3d數據集作爲no.days，頻率，食物 - >日是通過手段&標準偏差（標準差）或更好地說標準化。它給我的範圍[-2至14]

- >頻率和食物是我的數據集中的NOMINAL數據通過DIVIDE BY MAX（x/max（x））進行歸一化，這使得範圍[0到1]

問題是kmeans只考慮日軸進行分組，因爲這個軸有明顯的間隙b/w點，並且幾乎忽略了頻率和食物中的另外兩個（我認爲是因爲可忽略不計的差距頻率和食物變暗）。

如果我只在日軸上應用kmeans（1D），我會得到與我在3D上應用的完全相似的結果（天，頻率，食物）。

「之前，我做了X/MAX（X），以及對天，但不能接受」

，所以我想知道有沒有辦法正常化頻率和食品的另外兩個標稱數據，我們可以得到基於DAY軸的公平縮放。

食品=> 1,2,3 頻率=> 1-36

Answer 1

標準化的重點不僅僅是爲了讓數值變小。

其目的是具有可比較的值範圍 - 這對於不同單位的屬性來說確實很難，並且對於名義數據來說可能是不可能的。

對於您的數據類型，k-means可能是最差的選擇，因爲k-means 依靠在連續的值上工作。如果你有標稱值，它通常很容易卡住。所以我的主要建議是不使用k-means。

對於數據上的k-means to wprk，每個屬性的差異1必須相同。所以1天差=食物q和食物2之間的差異。而且因爲k-均值是基於平方誤差，所以食物1與食物3的差異是食物對食物2的4倍。

除非你有上述屬性，不要使用k-means。

Answer 2

你可以嘗試使用值差度量，VDM（或任何變體），以幾乎轉換你遇到的每個標稱類屬性有效數字表示。之後，您可以像往常一樣將標準化應用於整個數據集。

的原始定義是在這裏：

http://axon.cs.byu.edu/~randy/jair/wilson1.html

雖然它應該很容易找到其他地方的每一個共同的語言實現。

N.B.對於有序的名義屬性，比如你的'頻率'，大部分時間只需將它們表示爲整數即可。