如何在 r 中对充满字符串变量的数据集进行 K-means 聚类

Posted 2023-03-17

【中文标题】如何在 r 中对充满字符串变量的数据集进行 K-means 聚类

【英文标题】：How to do K-means clustering on a dataset full of string variables in r

【发布时间】：2018-11-09 22:02:39

【问题描述】：

现在我有一个充满字符串变量的数据集，但我想在上面做一个集群项目。在我将as.factor() 应用于所有变量后，nbclust() 仍然无法工作，我该怎么办？

【参考方案1】：

K-means 通常使用欧几里得距离（参见例如https://stats.stackexchange.com/questions/81481/why-does-k-means-clustering-algorithm-use-only-euclidean-distance-metric），因此您不能直接“在单词上进行聚类”。

如果您想根据单词对观察结果进行聚类，则必须生成数字（例如k-means for text clustering）例如，如果您尝试对客户资料进行聚类以进行细分，您可以计算代表他们个人资料中兴趣的单词，然后每个兴趣有一列，并计算该单词或 n-gram 在配置文件中出现的次数，然后在该数字矩阵上进行聚类。或者在聚类文档中，生成一个术语-文档矩阵（或文档-术语矩阵，或类似k-means clustering on term-term co-ocurrence matrix 的术语-术语出现）并使用这些数字进行聚类。

【参考方案2】：

不要对此类数据使用 k-means。

您无法仅通过“反复试验”获得有意义的统计分析。因为有很多方法可以获得看起来不错但完全没有根据的结果。

在使用任何这些方法之前，您需要了解它的作用。在 k-means 的情况下，它最小化了最小二乘，这显然只对 连续 变量有意义。他们还需要表现出线性。如果您有多个变量，它们也需要具有相同的量级。

这不是黑盒方法。如果你用得不好，你只会把垃圾扔出去。