0

请就以下聚类问题的编码数据提出建议。我有一个包含汽车使用信息的数据集。数据集有以下字段： 1. 车型（Toyoya Celica、BMW、Nissan X-Trail、Mazda Cosmo 等） 2. 建造年份 3. 汽车行驶的国家 4. 大修前的汽车行驶距离

重要提示：上述数据集是稀疏的。在大多数情况下，并非所有国家/地区都知道给定汽车的“距离”。

问题：对于给定的汽车，预测它在“距离”未知的国家进行大修之前将运行的“距离”。

我的方法：我想将数据集中的每条记录表示为具有以下组件的稀疏向量： 1. 二进制 (1/0) 汽车模型组件。这些组件的数量等于数据集中所有可能模型的数量。2.汽车运行的二进制（1/0）国家。这些组件的数量等于数据集中所有可能国家的数量。3. 距离。单个整数分量，等于汽车行驶的距离。

接下来我想对这些向量进行聚类（k-means）并分析结果组。

问题： 1）在我的向量中，我混合了不同性质的组件 - 二进制（模型，国家）和连续（距离）。如何计算向量之间的组件距离？余弦相似度？2）用有限的值集（模型，国家）对组件进行编码以与连续组件（例如距离）一起工作的其他方法？

谢谢！安东

4

1 回答 1

1

1）根据我的经验，规范只是对（整个数据集的）特征进行加权，使其范围相似。我不认为余弦相似性也能很好地工作 - 考虑两辆车的距离分别为 1 公里和 2 公里/英里。它们的距离和它们之间的距离差异可以忽略不计，但对于余弦相似度（如果我理解正确的话）来说意义重大。

2）由于一辆车只能有 1 个型号和 1 个国家（我假设），每个只能用一个整数表示（0 = Toyota Celica，1 = BMW，2 = Nissan X-Trail，3 = Mazda Cosmo 等。 ）。

我假设您对不同模型或国家之间的关系一无所知，因此仅将距离定义为相等（如果相等，则为 0，如果不相等，则为 0，适当加权）将是您能做的最好的事情。如果一辆车可以有多个型号或国家，我建议汉明距离。

我希望你在描述你的方法时不小心跳过了建造年份，这是重要的数字数据。

话虽如此，除非您添加一些额外的功能（包含一些连续（数字）数据），例如品牌（丰田、日产、马自达等）、重量、国家平均温度，否则我认为聚类不会很好地工作，国家平均雨量或雪量，路况的数字表示等）如果可能的话。据我所知，聚类不适用于非数字数据（例如品牌/型号），但是，如果加权正确（或者如果您可以定义不同品牌/型号之间的数学关系），我想它能行得通。

只是一个想法，但是用经度和纬度来定义国家怎么样？然后你可以计算国家之间的距离。否则，如果可能，我可能会建议将其替换为有关该国家/地区的数字特征。

旁注 - 在聚类中使用二进制字段的问题（至于品牌/型号的相等性）是您必须自己选择权重。这意味着您将领导集群，这可能会搞砸，或者充其量，使其符合您对数据的先入为主的概念。这就是数字数据更好的原因。

于 2012-12-24T09:31:16.990 回答