matrix - K-means 是否用于聚类具有许多零值的数据？

Question

我需要对一个主要包含零值的矩阵进行聚类……K-means 是否适合这类数据，或者我是否需要考虑不同的算法？

Answer 1

不，原因是均值在稀疏数据上不合理。由此产生的平均向量将具有与您的实际数据非常不同的特征；它们通常最终会比实际文档更相似！

有一些修改可以改进稀疏数据的 k-means，例如球形k-means。

但在很大程度上，此类数据的 k-means 只是一种粗略的启发式方法。结果并非完全没有用，但它们也不是你能做到的最好的。它有效，但偶然，而不是设计。

Answer 2

k -means 广泛用于聚类稀疏数据，例如文档术语向量，所以我想说继续。当然，您能否获得好的结果取决于数据和您正在寻找的内容。

有几件事情要记住：

• 如果您的数据非常稀疏，那么输入的稀疏表示可以将内存使用量和运行时间减少多个数量级，因此请选择一个好的k均值实现。
• 欧几里得距离并不总是稀疏向量的最佳度量，但将它们归一化为单位长度可能会产生更好的结果。
• 无论输入稀疏性如何，聚类质心都很可能会很密集，因此不要使用太多特征。
• 对样本进行降维，例如 SVD，可以大大提高运行时间和聚类质量。