机器学习，标称数据标准化

Question

我正在研究kmeans集群。 我有3d数据集作为no.days，频率，食物 - >日是通过手段&标准偏差（标准差）或更好地说标准化。它给我的范围[-2至14]

- >频率和食物是我的数据集中的NOMINAL数据通过DIVIDE BY MAX（x/max（x））进行归一化，这使得范围[0到1]

问题是kmeans只考虑日轴进行分组，因为这个轴有明显的间隙b/w点，并且几乎忽略了频率和食物中的另外两个（我认为是因为可忽略不计的差距频率和食物变暗）。

如果我只在日轴上应用kmeans（1D），我会得到与我在3D上应用的完全相似的结果（天，频率，食物）。

“之前，我做了X/MAX（X），以及对天，但不能接受”

，所以我想知道有没有办法正常化频率和食品的另外两个标称数据，我们可以得到基于DAY轴的公平缩放。

食品=> 1,2,3 频率=> 1-36

Answer 1

标准化的重点不仅仅是为了让数值变小。

其目的是具有可比较的值范围 - 这对于不同单位的属性来说确实很难，并且对于名义数据来说可能是不可能的。

对于您的数据类型，k-means可能是最差的选择，因为k-means 依靠在连续的值上工作。如果你有标称值，它通常很容易卡住。所以我的主要建议是不使用k-means。

对于数据上的k-means to wprk，每个属性的差异1必须相同。所以1天差=食物q和食物2之间的差异。而且因为k-均值是基于平方误差，所以食物1与食物3的差异是食物对食物2的4倍。

除非你有上述属性，不要使用k-means。

Answer 2

你可以尝试使用值差度量，VDM（或任何变体），以几乎转换你遇到的每个标称类属性有效数字表示。之后，您可以像往常一样将标准化应用于整个数据集。

的原始定义是在这里：

http://axon.cs.byu.edu/~randy/jair/wilson1.html

虽然它应该很容易找到其他地方的每一个共同的语言实现。

N.B.对于有序的名义属性，比如你的'频率'，大部分时间只需将它们表示为整数即可。