僅包含分類變量的大型數據集的聚類分析

Question

我的任務是根據他們一起購買的產品來集中我們的客戶。 我的數據包含與每個客戶相關的500,000行和8,000個變量（產品ID）。 每個變量都是一個熱編碼向量，顯示客戶是否購買了該產品。

我試圖用MCA（多重對應算法）減少數據的維度，然后使用k-means和dbscan進行聚類分析，但我的結果並不令人滿意。

對於具有高維度的大型數據集及其python實現的聚類分析，有哪些適當的算法？

Answer 1

您應該使用的是頻繁的模式挖掘 ，而不是聚類。

一熱編碼變量通常弊大於利。 使用適當的聚類算法（例如，分層，DBSCAN，但不是 k均值），對這樣的數據使用精心選擇的距離（可以像某些數據集上的漢明或Jaccard一樣簡單）。 或者，嘗試k模式。 但最有可能的是，頻繁項目集是對數據進行更有意義的分析。