如何解释 kmodes、Python 中 K 原型的成本？

Question

我正在使用 Python 中的 kmodes.kprototypes 对混合（数字和分类）类型数据进行聚类：

from kmodes.kprototypes import KPrototypes

kp = KPrototypes(n_clusters=5, init='Cao')
kp.fit(df, categorical=categorical_column_list)

完成后，我想评估/比较结果。当我处理混合类型数据时，我无法使用任何 sklearn 常用的聚类评估方法（据我了解，它们仅适用于数值数据）。相反，KPrototypes 提供了内置的

.cost_

属性，具有某种聚合相似性（它的 源代码文档字符串 声明它“定义为所有点到各自簇质心的总距离”）。

我不知道如何解释这笔费用。基于我对代码的理解很差，它确实是每个数据点的距离值的汇总，但这意味着

n_clusters

越高，

cost_

就越低（事实上，这是趋势）在极端（但荒谬）的情况下

n_clusters = len(X)

cost_

将是最低的。

这里

cost_

到底是什么？它可以用于平常的评估吗？如果不是，这里使用什么指标？

Answer 1

Kmodes/KPrototype 算法的

cost_

属性测量分类对象与相应模式/质心之间的差异。这通常是使用像Hamming Distance这样的方法来完成的。汉明距离的直观例子：

For any two objects (say, A and B) in the dataset, the Hamming distance is the number of attributes for which A and B have different categories. For instance, if A = (Red, Small, Circle) and B = (Blue, Small, Square), the Hamming distance between A and B is 2, since they differ in color and shape. 

那么成本就是数据点和集群模式的不相似性。

在评估方面，

cost_

属性可以用于一些不同的事情：

1. 确定集群的质量
2. 比较不同的集群解决方案
3. 选择最佳簇数（使用Elbow方法等方法）
4. 确定算法收敛性。
5. 针对其他集群配置进行基准测试。

仅举几例。

希望有帮助。