层次聚集聚类

Question

我们可以使用分层聚集聚类来对这种格式的数据进行聚类吗？

"beirut,proff,email1"
"beirut,proff,email2"
"swiss,aproff,email1"
"france,instrc,email2"
"swiss,instrc,email2"
"beirut,proff,email1"
"swiss,instrc,email2"
"france,aproff,email2"

如果不是，什么是兼容的聚类算法来聚类数据的字符串值？

谢谢你的帮助!

Answer 1

任何类型的聚类都需要一个距离度量。如果你愿意用你的琴弦把它们看成是平等的或者不相等的，那么你能做的最好的就是场向的哈明距离。也就是说，"abc，def，ghi“和"uvw，xyz，ghi”之间的距离是2，"abw，dez，ghi“之间的距离也是2。如果你想在一个特定的字段中聚集类似的字符串--比如因为名字相似而将”斯洛伐克“和”斯洛文尼亚“聚在一起，或者”波兰“和”乌克兰“因为它们之间的边界，你会使用更复杂的度量标准。在距离度量的前提下，层次聚集聚类应该能很好地工作。

然而，所有这些都假设集群是您真正想要做的事情。您的数据集似乎是一种奇怪的集群用例。

Answer 2

分层聚类是一种比较灵活的聚类算法。除了一些联系(沃德？)它对“距离”没有任何要求--它也可能是相似的，通常负值也同样有效，不需要三角不等式等等。

其他算法--如k均值--则要有限得多。K-均值使方差最小化；因此它只能处理(平方)欧氏距离；它需要能够计算均值，因此数据需要在一个连续的、固定维数的向量空间中；稀疏性可能是一个问题。

一个可能更灵活的算法是通用DBSCAN。本质上，它需要一个二元判定"x是y的一个邻居“(例如，距离小于epsilon)，并需要一个谓词来度量”核心点“(例如密度)。您可以提出任意复杂的这样的谓词，这可能不再是一个单一的“距离”了。

不管是哪种方式：，如果您可以度量这些记录的相似性，那么人工聚类应该可以使用。问题是，如果你能从这些数据中得到足够的相似性，而不仅仅是3位：“有同样的电子邮件”，“有相同的名字”，“有相同的位置”-- 3位不会提供一个非常有趣的层次结构。