我有一个关于k-means聚类的问题。我们有一个包含120,000个观测值的数据集，需要用R计算k均值聚类解。问题是k均值通常使用欧几里德距离。我们的数据集包含3个连续变量，11个序数（Likert 0-5）（我认为可以像连续一样处理它们）和5个二进制变量。对于我们可以用于“大”数据集的k-means方法的距离测量，您有什么建议吗？我们坚持k-means，所以我真的希望你们中的一个有个好主意。
干杯，
马丁
一种方法是标准化特征，然后只使用11维欧氏距离。将二进制值转换为0/1（嗯，它是R，所以无论如何都是这样）并从那里开始。
除了11维中的k-means肯定难以解释之外，我没有看到这种方法的直接问题。您可以尝试使用降维技术，并希望使k-means输出更容易阅读，但您比我们更了解数据集，因此我们帮助您的能力有限。
你当然可以将二进制变量编码为0,1。
统计数据中的最佳实践是不将Likert比例变量视为数字，因为分布不均匀。
但我不会得到有意义的k-means集群。该算法完全与计算方法有关。这对连续变量有意义。离散变量通常缺乏“分辨率”以使其良好运行。然后三个均值降级为“频率”，然后应该以非常不同的方式处理数据。
不要用锤子选择问题。也许你的数据不是钉子;即使你想用kmeans制作它，它也无法解决你的问题......相反，制定你的问题，然后选择合适的工具。那么鉴于你的数据，什么是一个好的集群？在你有一个衡量这一点的等式之前，处理数据不会解决任何问题。
将变量编码为二进制不会解决根本问题。相反，它只会有助于增加数据维度，增加负担。统计数据中的最佳做法是不将原始数据更改为任何其他形式，如连续到分类，反之亦然。但是，如果您这样做，即数据转换，那么它必须与要解决的问题同步，并且您必须提供有效的理由。
正如其他人所说的那样，继续进一步尝试首先减少数据集的维度。检查问题，如missing values，outliers，zero variance，principal component analysis (continuous variables)，correspondence analysis (for categorical variables)等。这可以帮助您减少维度。毕竟，数据预处理任务构成了80%的分析。
关于混合数据类型的距离测量，您确实理解mean中的k仅适用于continuous变量。所以，我不明白使用logic算法的混合数据类型的k-means？考虑选择其他算法，如k-modes。 k-modes是k-means的扩展。而不是距离，它使用不相似性（即，两个对象之间的总不匹配的量化：这个数字越小，两个对象越相似）。而不是手段，它使用模式。模式是元素的向量，其最小化向量本身与数据的每个对象之间的不相似性。
混合模型可用于聚类混合数据。
您可以使用R软件包VarSelLCM，它在每个集群中通过高斯分布和序数/二元变量对连续变量进行建模。
此外，缺失值可以由手头的模型管理。