R中具有虚拟编码变量的聚类分析

Question

我正在尝试对一组数据运行聚类分析，但无法找到适当的洞察力。例如:我有一组100个资源(列)中的50个变量(行)。每种资源都有一些作为优势的变量和另一些作为劣势的变量。因为每个资源可能只有10个变量作为强度，5个变量作为弱点，所以其他被遗漏的变量被标记为零。现在，我希望找到具有共同优势和劣势的资源集群。

我使用了分层聚类和k-means，通过转置dataset，使资源按行排列。k-means图显示了不同聚类之间的太多重叠，因此只使用层次聚类。我已经用+10替换了1(强度)，用-10替换了2(弱点)，看看集群算法是否有不同的响应，但仍然没有多大帮助。

有没有改进这个方法的意见和处理这个问题的替代方法？

非常感谢！

Answer 1

下面的代码应该可以帮助您创建伪/二进制变量。

settingStrength <- as.numeric(setting.g == "Strength")
settingWeakness   <- as.numeric(setting.g == "Weakness")

我调用了专注于数据集的第3列和第4列的分层集群。不能将100个尺寸聚集在一起，然后在二维绘图中绘制它们。你必须首先进行降维。您选择分层聚类是正确的，因为k-means要求您知道聚类的数量，而您并不知道它们

CLUSTER <- hclust(dist(YOURDATA[, 3:4]))
plot(CLUSTER)

然而，如果你使用k-means，你不应该只看图。在以下内容中，我选择了三组聚类。

KMEANSCLUSTER <- kmeans(YOURDATASET[,3:4],3)
KMEANSCLUSTER[1]

现在您应该看到一个长度为15 (数据长度)的向量，值为1、2和3。变量属于集群"1“、集群"2”还是集群"3“的值。

Answer 2

聚类二进制数据(以及低基数和分类虚拟编码数据)的问题在于它的二进制信息。

像k-means这样的方法是为连续变量设计的，其中平均值是有意义的，并且几乎每个距离都是唯一的。

对于二进制数据，一切往往会同时发生变化。您有许多重复的记录。您的记录在1个位置、2个位置等方面存在差异-在您的情况下，它们最多可以在30个位置不同，因此您有31个相似级别。

解决方案通常是从集群转移到项目集挖掘视图。这与聚类没有本质上的不同，但它始于一个二元假设:一个项目要么存在于事务中，要么不存在。然后，结果项集对应于频繁的组合，例如，具有A和B的行往往具有C。

尝试一下，频繁项集和关联规则。