我应该使用哪种集群技术？

Question

我有一个数据矩阵，如下所示。

user access matrix..each行代表用户，每一列代表该用户访问的页面类别。

0    8    1    0    0    8    0    0    0    0    0    0    0    11    2    2    0  
1    0    7    0    0    0    0    0    1    1    0    0    0    0    0    0    1  
1    0    1    1    0    0    0    0    0    1    0    0    0    1    0    0    0  
6    1    0    0    0    2    6    0    0    0    0    1    0    0    0    0    0  
5    3    2    0    2    0    0    0    0    0    1    0    0    0    1    0    0  
2    3    0    1    0    1    0    0    0    0    0    1    0    3    0    0    0  
9    0    1    1    0    0    5    0    0    0    1    2    0    0    0    0    0  
5    1    4    0    0    0    1    0    0    2    0    0    0    9    0    0    0  
5    5    0    2    0    1    0    0    0    0    1    1    0    0    0    0    0  
1    2    0    0    2    3    3    0    0    1    1    0    0    0    4    0    0  
0    1    0    1    0    2    0    0    1    0    0    0    0    2    0    0    0  
5    4    0    0    1    0    0    0    0    0    1    0    0    2    0    0    0  
0    0    0    2    0    0    2    12    1    0    0    0    2    0    0    0    0  
6    1    0    0    0    0    58    15    7    0    1    0    0    0    0    0    0  
1    0    2    0    0    1    1    0    0    0    2    0    0    0    0    0    0 

我需要在它上面应用双簇技术。这种双聚类技术将首先生成用户集群，然后生成页面clusters.after，它将用户集群和页面集群结合起来生成双集群。现在，我不知道应该使用哪种集群技术来实现此目的。最好的聚类将从该矩阵生成一致的双色图。

Answer 1

以下是几种可以帮助回答这个问题的聚类算法的摘要

“我应该使用哪种集群技术？”

没有客观上“正确”的聚类算法Ref

聚类算法可以根据它们的“集群模型”进行分类。为特定类型的模型设计的算法在不同类型的模型上通常会失败。例如，k-means不能找到非凸簇，只能找到圆形簇。

因此，理解这些“集群模型”成为理解如何在各种聚类算法/方法中进行选择的关键。典型的群集模型包括：

1连接模型:基于距离连接构建模型。例如，层次聚类。当我们需要根据树木采伐高度进行不同的分区时使用。R函数:在stats包中的hclust。

2质心模型:通过用单个均值向量表示每个集群来构建模型。当我们需要清晰的分区时使用(与后面描述的模糊聚类相反)。R函数: stats包中的kmeans。

3分布模型:基于统计分布构建模型，例如期望最大化算法使用的多变量正态分布。当簇形状可以是任意的时使用，不像k-means，它假定为圆形簇。R函数: emcluster包中的emcluster。

4密度模型:基于数据空间中连接的密集区域的集群构建模型。例如DBSCAN和光学。当群集形状可以是任意形状时使用，不像k-means算法那样假定为圆形群集。R dbscan包中的函数dbscan。

5个子空间模型:基于集群成员和相关属性构建模型。例如，双聚类(也称为共同聚类或双模式聚类)。当需要同时进行行和列聚类时使用。R函数biclust在biclust包中。

6分组模型:根据分组信息构建模型。例如协同过滤(推荐算法)。推荐实验室包中的R函数推荐器。

7基于图的模型:基于集团构建模型。社区结构检测算法试图在有向图或无向图中找到密集的子图。例如，图形包中的R函数cluster_walktrap。

8 Kohonen自组织特征映射:基于神经网络建立模型。R函数在kohonen包中。

9频谱聚类:基于非凸聚类结构构建模型，或者当中心的度量不是对完整聚类的合适描述时。R函数规范在kernlab包中。

10子空间聚类:对于高维数据，距离函数可能会有问题。集群模型包括集群的相关属性。例如，R包HDclassif中的hddc函数。

11序列聚类:相关的组序列。rBlast包。

12亲和性传播:基于数据点之间的消息传递构建模型。它不需要在运行算法之前确定集群的数量。对于某些计算机视觉和计算生物学任务，例如人脸图片的聚类和识别受调控的转录本，它比k-means，Ref Rpackage APCluster更好。

13流聚类:基于连续到达的数据建立模型，例如电话记录，金融交易等。例如R package BIRCH [https://cran.r-project.org/src/contrib/Archive/birch/]

14文档聚类(或文本聚类)：基于奇异值分解构建模型。它已经应用于主题抽取中。例如，Carrot [http://search.carrot2.org]是一个开源的搜索结果聚类引擎，可以将文档聚类到主题类别中。

15潜在类模型:它将一组观察到的多变量与一组潜在变量联系起来。LCA可用于协同过滤。recommenderlab包中的R函数推荐具有协同过滤功能。

16双聚类:用于同时对双模式数据的行和列进行聚类。例如R函数在包中的biclust。

17软聚类(模糊聚类)：每个对象在一定程度上属于每个簇。例如Fclust包中的R fclust函数。

Answer 2

你不能仅仅通过看矩阵就知道哪种聚类算法是最好的。你必须尝试不同的算法(可能是k-means，贝叶斯，最近邻或你的库中的任何算法)。进行交叉验证(聚类只是将用户归类到聚类中心的一种分类类型)并评估结果。您甚至可以将其打印到图表中。那就做个决定。没有一个决定是完美的，你总会有错误。结果取决于你所期望的。也许错误更多的结果在你个人看来会有更好的结果。

你有没有尝试过任何算法？