¿Cómo aplicamos el algoritmo de agrupamiento k-means para datos mixtos numéricos y categóricos?

El problema de los datos categóricos es que son discretos y no se pueden interpolar de manera sensata.

Por ejemplo, el cuarzo mineral puede ser {transparente, blanco, rosa, rojo, amarillo, marrón, negro, morado} (conjunto categórico)

Este conjunto discreto podría establecerse de manera continua, pero reflejaría una base arbitraria y, por lo tanto, no puede utilizarse. ¿Cómo puede calcular la distancia entre una muestra rosa y una amarilla y aún así tener sentido de la distancia entre una muestra clara y negra? No tiene sentido, también sugiere que categorías como esta deberían excluirse. Y sin embargo, todos pertenecen a la misma clase “cuarzo mineral”. En esta y tal vez en otras situaciones, deje que los otros atributos dominen (siempre que sean independientes) (use el análisis de componentes principales, que le proporciona un conjunto base, es decir, un conjunto independiente)

Y luego use los atributos categóricos para subdividir aún más la clase.

{cristal de roca, lechoso, rosa, citrino (o ferruginoso), cairngorm, morion, amatista} Cuarzo

(evitando rutilado; criptocristalino – calcedonia, ópalo; especiales cristobolito y tridimita}

Si el atributo categórico es definitivo, por ejemplo, número de tramos, divide sus datos en ese número de clases (uno para cada número), entonces K-significa cada conjunto.

También tenga en cuenta que grandes conjuntos multidimensionales de atributos, el rango puede dominar la importancia, por lo que una distancia medir tales cosenos de dirección (ver T Kohonen, Autoorganización y memoria asociativa (Springer Verlag) Página 60)) puede ser una mejor opción que Euclidiana,

La respuesta a esta pregunta tiene un par de sugerencias sobre cómo hacer que el agrupamiento de k-means funcione en una mezcla de datos (numérico y categórico) ¿Por qué el agrupamiento de K-means funciona mal en datos categóricos? La debilidad del método K-means es que es aplicable solo cuando se define la media, uno necesita especificar K por adelantado y no puede manejar datos ruidosos y valores atípicos.