2、数据类型与聚类分析

数据类型与聚类分析

1. 引言

聚类分析是一种无监督的学习方法，旨在将一组对象划分为若干个同质的群组（簇），使得同一簇内的对象彼此相似，而不同簇之间的对象则明显不同。为了实现这一目标，选择合适的聚类算法至关重要。而选择合适的聚类算法，首先要了解数据的类型。本篇博客将深入探讨五种常见数据类型：分类数据、二进制数据、事务数据、符号数据和时间序列数据。通过理解这些数据类型的特点，我们可以更好地选择和应用聚类算法。

2. 分类数据

分类数据是指每个数据点由一个或多个类别标签组成的非数值型数据。例如，性别（男/女）、颜色（红/蓝/绿）等。分类数据的特点是非数值化，因此传统的数值相似性度量方法（如欧氏距离）并不适用。为了对分类数据进行聚类，我们需要采用专门的相似性度量方法。

2.1 相似性度量

对于分类数据，常用的相似性度量方法包括：

• 简单匹配系数（SMC） ：计算两个对象之间的匹配特征比例。
• Jaccard系数 ：计算两个对象共有特征的比例。
• Hamming距离 ：计算两个对象之间不同特征的数量。

方法	公式	适用场景
简单匹配系数	( SMC = \frac{a + d}{a + b