K模式计算每个点和簇质心之间的距离

-1

我有一组要分类的分类变量，所以我使用从github package取得的k模式。我想要得到每个观察点（点）到它所属群集的质心的距离。K模式计算每个点和簇质心之间的距离

这是我到目前为止执行：

kmodes_cao = kmodes.KModes(n_clusters=6, init='Cao', verbose=1) 
kmodes_cao.fit_predict(data) 

# Print cluster centroids of the trained model. 
print('k-modes (Cao) centroids:') 
print(kmodes_cao.cluster_centroids_) 

# Print training statistics 
print('Final training cost: {}'.format(kmodes_cao.cost_)) 
print('Training iterations: {}'.format(kmodes_cao.n_iter_))

我不能使用Eucledean距离自变量是分类。计算每个点到其簇质心距离的理想方法是什么？

来源

2016-12-15 Asma Zinneera Jabir

看的源代码'KModes'功能。不要重新发明轮子。 –

我看穿它，但无法找到距离的计算方式。我是使用数据挖掘的新手，所以请你指导一下？ –

甚至在文档中，'cat_dissim'参数。 –

例如，如果有两个变量V1可以采取A或B和V2。如果您的质心为V1 = A和V2 = d

对于每个变量i，计数可以采取C或d 当六！=次（质心ⅰ）

，如果你有一个实例V1 = A和V2 = C然后从形心的距离为1 是二进制距离一跳，这将有助于

来源

2016-12-15 19:15:10

谢谢你的答案，但它有点不清楚。你能否详细说明一下？ –

Kmods为每个变量计算模式值（最多的类别）。因此，在学习结束时，您会得到6个质心，假设您的数据集中有两个变量，则为 C1 =（V1 = category1，V2 = category2） ... ... C6 =（V1 = categoryX，V2 = categoryY）如果要预测新实例的集群，则返回集群，该集群可为您提供最小距离以计算实例与集群质心C之间的距离：您可以使用此公式 distance = 0 对于每个变量Vi \t如果Vi 1 = Ci的值\t \t距离+ = 1 返回距离 –

K模式计算每个点和簇质心之间的距离

回答

相关问题