Algoritmo de agrupamiento con atributos discretos y continuos?

Question

¿Alguien conoce un buen algoritmo para realizar el agrupamiento en atributos discretos y continuos? Estoy trabajando en un problema de identificación de un grupo de clientes similares y cada cliente tiene atributos discretos y continuos (piense en el tipo de clientes, la cantidad de ingresos generados por este cliente, ubicación geográfica, etc.)

Tradicionalmente, los algoritmos como K-means o EM funcionan para atributos continuos, ¿qué sucede si tenemos una combinación de atributos continuos y discretos?

Answer 1

Si no recuerdo mal, el algoritmo COBWEB podría funcionar con atributos discretos.

Y también puede hacer diferentes 'trucos' a los atributos discretos para crear métricas de distancia significativas.

Puede buscar en Google la agrupación de atributos categóricos / discretos, uno de los primeros éxitos: ROCK: un algoritmo de agrupamiento robusto para atributos categóricos .

Answer 2

R es una gran herramienta para la agrupación en clúster: el enfoque estándar sería calcular una matriz de disimilitud en sus datos mixtos utilizando daisy , luego agrupe con esa matriz usando agnes .

El módulo cba en CRAN incluye una función para agrupar en predictores binarios basados ??en ROCK.

Answer 3

También podría considerar propagación de afinidad como una posible solución. Pero para superar el dilema continuo / discreto, debe definir una función que valore los estados discretos.

Answer 4

En realidad, presentaría pares de atributos discretos a los usuarios y les pediría que definieran su proximidad. Les presentaría una escala que se extiende desde [sinónimo ... muy extraño] o similar. Al hacer que muchas personas hagan esto, terminará con una función de proximidad ampliamente aceptada para los valores de atributos no lineales.

Answer 5

¿Qué hay de transformar cada uno de sus atributos categóricos en una serie de atributos indicadores binarios N-1 (donde N es el número de categorías)? No debe tener miedo a la alta dimensionalidad, ya que una representación escasa (como SequentialAccessSparseVector de mahout puede emplearse). Una vez que haga eso, puede usar un K-means clásico o cualquier algoritmo estándar de agrupación numérica únicamente.