계층 적 집적 클러스터이 형식으로 데이터를 클러스터링 할 수 있습니까?계층 적 집적 클러스터링
"beirut,proff,email1"
"beirut,proff,email2"
"swiss,aproff,email1"
"france,instrc,email2"
"swiss,instrc,email2"
"beirut,proff,email1"
"swiss,instrc,email2"
"france,aproff,email2"
그렇지 않은 경우 문자열 값이있는 데이터를 클러스터링하는 호환 가능한 클러스터링 알고리즘은 무엇입니까?
도움 주셔서 감사합니다.
모든 유형의 클러스터링에는 거리 메트릭이 필요합니다. 당신이 당신의 끈으로 기꺼이하는 모든 것이 서로 같거나 같지 않으면, 당신이 할 수있는 최선은 현장에서의 해밍 거리입니다. 즉, "abc , def, ghi "및"uvw, xyz, ghi "는 2이고"abw, dez, ghi "사이의 거리는 2입니다. 특정 필드 내에 유사한 문자열을 클러스터하려면 - 클러스터링"Slovakia "및 "슬로베니아"라는 이름의 유사성 때문에 또는 "폴란드"와 "우크라이나"는 서로 국경을 이루기 때문에보다 복잡한 측정 항목을 사용하게됩니다. 거리 메트릭이 주어지면 계층 적 응집 클러스터링이 제대로 작동해야합니다.
그러나 여기서는 클러스터링이 실제로 수행하기를 원하는 것으로 가정합니다. 데이터 집합은 클러스터링을위한 이상한 유스 케이스처럼 보입니다.
계층 적 클러스터링은 다소 유연한 클러스터링 알고리즘입니다. 어떤 연계 (와드)를 제외하고는 "거리"에 대한 요구 사항이 없습니다 - 유사점 일 수도 있지만 일반적으로 음수 값도 마찬가지로 작동하며 삼각형 불평등 등은 필요하지 않습니다.
k-means와 같은 다른 알고리즘은 훨씬 더 제한적입니다. K- 평균은 분산을 최소화합니다. 그래서 그것은 (제곱 된) 유클리드 거리만을 처리 할 수 있습니다; 그리고 그것은 수단을 계산할 수 있어야하므로 데이터는 연속적이고 고정 된 차원 벡터 공간에 있어야합니다. 희박성이 문제 일 수 있습니다.
아마도 더욱 유연한 알고리즘 중 하나는 Generalized DBSCAN입니다. 본질적으로, 그것은 "x가 y의 이웃"(예를 들어, ε보다 작은 거리) 및 "코어 포인트"(예를 들어, 밀도)를 측정하기위한 술어 인 바이너리 결정을 필요로한다. 더 이상 하나의 "거리"가 아닐 수도있는 임의의 복합어와 같은 술어를 생각해 낼 수 있습니다.
어느 쪽이든 : 이러한 레코드의 유사성을 측정 할 수 있다면, 검색 클러스터링은을 사용해야합니다. 문제는 3 비트가 아니라 "그 이메일이 같다", "같은 이름을 가지고있다", "같은 위치에있다"등 3 비트가 아닌 유사성을 충분히 얻을 수 있다면 3 비트가 재미있는 계층 구조.
실제로 거리 메트릭을 사용하지 않는 많은 클러스터링 알고리즘이 있습니다. –
Anony-Mousse : 거리 측정법을 사용하지 않는 클러스터링 알고리즘에 대해 제게 알려주십시오. –