Questions tagged «mixed-type-data»

我有一个既包含连续数据又包含分类数据的数据集。我正在使用PCA进行分析，想知道是否可以将分类变量作为分析的一部分。我的理解是PCA只能应用于连续变量。那是对的吗？如果不能将其用于分类数据，则可以使用哪些替代方法进行分析？

147 categorical-data  pca  correspondence-analysis  mixed-type-data 

我有一个包含许多观察结果和许多变量的数据框。其中一些是分类的（无序），其他是数字的。 我正在寻找这些变量之间的关联。我已经能够计算数值变量的相关性（斯皮尔曼相关性），但是： 我不知道如何测量无序分类变量之间的相关性。 我不知道如何测量无序分类变量和数值变量之间的相关性。 有谁知道该怎么做？如果是这样，是否有R函数实现这些方法？

123 r  correlation  categorical-data  continuous-data  mixed-type-data 

在我的数据集中，我们有连续变量和自然离散变量。我想知道我们是否可以使用两种类型的变量进行层次聚类。如果是的话，哪种距离测量是合适的？

34 clustering  similarities  distance-functions  mixed-type-data 

我需要在k均值中使用二进制变量（值0和1）。但是k均值仅适用于连续变量。我知道有些人仍然在k均值中使用这些二进制变量，而忽略了k均值仅用于连续变量的事实。这对我来说是不可接受的。 问题： 那么在k均值/层次聚类中使用二进制变量的统计/数学正确方法是什么？ 如何在SAS / R中实施解决方案？

27 r  clustering  binary-data  k-means  mixed-type-data 

大多数经典的聚类和降维算法（分层聚类，主成分分析，k均值，自组织映射...）都是专门为数字数据设计的，其输入数据被视为欧氏空间中的点。 当然，这是一个问题，因为许多现实世界中的问题都涉及到混杂的数据：例如，如果我们研究公交车，则高度，长度和电机尺寸将是数字，但我们可能也会对颜色感兴趣（分类变量：蓝色/红色/绿色...）和容量类别（顺序变量：小/中/大容量）。具体来说，我们可能想同时研究这些不同类型的变量。 有很多方法可以将经典聚类算法扩展到混合数据，例如使用Gower不相似性插入层次聚类或多维缩放，或者采用其他以距离矩阵为输入的方法。或例如此方法，是将SOM扩展为混合数据。 我的问题是：为什么我们不能仅对混合变量使用欧几里德距离？还是为什么这样做不好？为什么我们不能仅对分类变量进行虚拟编码，对所有变量进行归一化，以使它们在观察之间的距离上具有相似的权重，并在这些矩阵上运行常规算法？ 这真的很容易，而且从未做过，所以我想这是非常错误的，但是有人可以告诉我为什么吗？和/或给我一些参考？谢谢

21 clustering  dimensionality-reduction  distance  self-organizing-maps  mixed-type-data 

已锁定。该问题及其答案被锁定，因为该问题是题外话，但具有历史意义。它目前不接受新的答案或互动。 我想知道是否可以在R中执行具有混合数据变量的数据聚类。换句话说，我有一个同时包含数值和分类变量的数据集，我正在寻找对其进行聚类的最佳方法。在SPSS中，我将使用两步式群集。我想知道是否可以在R中找到类似的技术。有人告诉我有关poLCA软件包的信息，但我不确定...

19 r  clustering  mixed-type-data 

我有一个像 +--------+------+-------------------+ | income | year | use | +--------+------+-------------------+ | 46328 | 1989 | COMMERCIAL EXEMPT | | 75469 | 1998 | CONDOMINIUM | | 49250 | 1950 | SINGLE FAMILY | | 82354 | 2001 | SINGLE FAMILY | | 88281 | 1985 | SHOP & HOUSE | …

14 categorical-data  svm  mixed-type-data 

我有17个数字变量和5个二进制（0-1）变量，数据集中有73个样本。我需要进行聚类分析。我知道，高尔距离对于具有混合变量的数据集是一个很好的指标。但是，我无法理解高尔距离如何计算二进制变量之间的差。在我看来，它与欧几里得距离没有什么不同。

13 clustering  distance  mixed-type-data 

我正在寻找一个小的数据集（对4个区间变量和一个三因素分类变量的64个观察值）进行聚类。现在，我对聚类分析还很陌生，但是我知道自从层次聚类或k均值成为唯一可用选项以来，已有了相当大的进步。特别是，似乎有可用的基于模型的聚类的新方法，如chl所指出的那样，可以使用“拟合优度指数来确定聚类或类的数量”。 但是，用于基于模型的群集的标准R包mclust显然不适合具有混合数据类型的模型。fpc由于连续变量的非高斯性质，我怀疑该模型会但很难拟合模型。我应该继续使用基于模型的方法吗？如果可能的话，我想继续使用R。如我所见，我有几种选择： 将三级分类变量转换为两个虚拟变量，然后使用mclust。我不确定这是否会使结果产生偏差，但是如果不是这样，则是我的首选。 以某种方式转换连续变量并使用该fpc包。 使用一些我还没有遇到过的R包。 使用Gower的度量创建一个相异矩阵，并使用传统的分层或重定位群集技术。 stats.se hivemind在这里有什么建议吗？

12 clustering  model-based-clustering  mixed-type-data 

我目前正在研究使用t-SNE进行高维数据的可视化。我有一些包含二进制和连续变量混合的数据，并且数据似乎很容易将二进制数据聚类。当然，这是按比例缩放（介于0和1之间）数据的预期：二进制变量之间的Euclidian距离将始终最大/最小。如何使用t-SNE处理混合的二进制/连续数据集？我们应该删除二进制列吗？它有一个不同的metric，我们可以使用？ 作为示例，请考虑以下python代码： x1 = np.random.rand(200) x2 = np.random.rand(200) x3 = np.r_[np.ones(100), np.zeros(100)] X = np.c_[x1, x2, x3] # plot of the original data plt.scatter(x1, x2, c=x3) # … format graph 所以我的原始数据是： 其中颜色是第三个特征（x3）的值-在3D中，数据点位于两个平面（x3 = 0平面和x3 = 1平面）中。 然后，我执行t-SNE： tsne = TSNE() # sci-kit learn implementation X_transformed = StandardScaler().fit_transform(X) tsne = TSNE(n_components=2, …

10 python  dimensionality-reduction  unsupervised-learning  tsne  mixed-type-data 

我有一个离散的数据集（常规，特征和名义），这些变量描述了几种紧密相关的昆虫的形态翅膀特征。我要做的是进行某种分析，以便根据形态特征直观地呈现不同物种的相似性。首先出现在我脑海中的是PCA（这是我要创建的可视化类型），但是在研究之后（尤其是其他问题，例如：主成分分析可以应用于包含连续数据的混合数据集吗？和分类变量？），似乎PCA可能不适用于离散数据（文献中这些类型的研究中使用了PCA，但始终使用连续数据）。忽略了为什么该数据不合适的统计背景，PCA确实在我的生物学问题上给了我相对完美的结果（感兴趣的杂交人群恰好位于其父辈群体的中间）。 我还尝试了多种对应关系分析以安抚统计数据（至少就我的理解而言），但是我似乎无法获得与PCA相似的图，其中我的观察值（生物学个体）用颜色分开表示不同的分组（不同的物种，从生物学上来说）。似乎该分析旨在描述变量（在这里是我的形态特征）如何相互关联，而不是各个观察结果之间的关联。当我按组对观察结果进行绘制时，我只能得到描述整个个体的单个值（也许是平均值）。我已经在R中完成了分析，所以也许我还不够R精明，无法使我对工作情节有所了解。 我对数据进行这种分析是否正确，还是偏离轨道？如果您无法判断，我的统计专业知识是有限的，因此在这些分析下发生的方程式一直困扰着我。我正在尝试完全描述性地进行此分析（我不再需要进行任何下游数字运算），并且我已经读到，如果是这种情况，PCA就足够了，但是想确保我不会违反了太多的统计假设。

9 pca  discrete-data  correspondence-analysis  mixed-type-data