Python 二进制值使用哪种距离度量？

我有100个用户喜欢/不喜欢500个项目。 因此，我用二进制值转换了矩阵，也就是说，如果用户u1喜欢一个项目I1，那么该值为1，如果他不喜欢该项目，那么该值为0

矩阵如下所示：

所以，现在我需要对喜欢相似项目的相似用户进行聚类。我使用K模式聚类对它们进行聚类，但我的轮廓分数很低。我不确定应该使用哪种距离度量。

---

---

欧几里德距离不是解决这个问题的好方法。如果我的数据集很大，Jaccard距离也不是很有效。为了降低模型的成本，我应该使用哪些其他距离度量 < P>可以考虑使用“Hamming距离”来查找距离。有关在scipy库中实现的方法，请参阅文档。

处理此类数据的常用方法是使用非负矩阵分解（NMF）。粗略地说，这意味着将矩阵分解为n x k和k x m矩阵，将用户映射到因子，并将因子映射到喜好。

处理此类数据的常用方法是使用非负矩阵分解（NMF）。粗略地说，这意味着将矩阵分解为n x k和k x m矩阵，将用户映射到因子，将因子映射到喜好。

严格地回答这个问题，我建议使用

余弦

或

哈明

距离。但在此之前，我想问一下你是如何建立这个矩阵的？通常在二进制值的地方，你有实数，你通过计算一个“项目”和一个“用户”之间的相似性得分来得到这些数字。我想这是相关的，那里的答案可以用在这里？@Siddhantandon我用过余弦和汉明。数值仍然很差。我不知道如何提高我的轮廓分数。为了构建矩阵，我使用了dataset.pivot\u table（）函数。我使用了preprocessing.LabelEncoder（）并将其应用于pivot_表。下面是您感兴趣的代码片段<代码>pivot\u table=dataset.pivot\u table（value='Checked'，index='USERID'，columns='ITEMID'）。fillna（0）；le=预处理。LabelEncoder（）；pivot\u table=pivot\u table.apply（le.fit\u transform）@PH，因此如果用户喜欢该项目，您只需获得信息

yes

，如果用户不喜欢，则获得信息

no

。没有关于

项目的其他信息

？如果您有一些文本要处理，通常必须使用

tf-idf

东西构建

item

配置文件。@siddhantandon。没有，没有关于物品的信息。仅存在itemID和itemName。我不需要了解更多关于项目的信息，因为我正在对喜欢类似项目的用户进行聚类。因此，只有“喜欢/不喜欢”的信息才足以对它们进行聚类！而且，没有文本可供使用！很容易将itemID与其itemDescription集成。但是，我不需要知道。因此，我将其从数据帧中删除。严格地回答这个问题，我建议

cosine

或

hamming

距离。但在此之前，我想问一下你是如何建立这个矩阵的？通常在二进制值的地方，你有实数，你通过计算一个“项目”和一个“用户”之间的相似性得分来得到这些数字。我想这是相关的，那里的答案可以用在这里？@Siddhantandon我用过余弦和汉明。数值仍然很差。我不知道如何提高我的轮廓分数。为了构建矩阵，我使用了dataset.pivot\u table（）函数。我使用了preprocessing.LabelEncoder（）并将其应用于pivot_表。下面是您感兴趣的代码片段<代码>pivot\u table=dataset.pivot\u table（value='Checked'，index='USERID'，columns='ITEMID'）。fillna（0）；le=预处理。LabelEncoder（）；pivot\u table=pivot\u table.apply（le.fit\u transform）@PH，因此如果用户喜欢该项目，您只需获得信息

yes

，如果用户不喜欢，则获得信息

no

。没有关于

项目的其他信息

？如果您有一些文本要处理，通常必须使用

tf-idf

东西构建

item

配置文件。@siddhantandon。没有，没有关于物品的信息。仅存在itemID和itemName。我不需要了解更多关于项目的信息，因为我正在对喜欢类似项目的用户进行聚类。因此，只有“喜欢/不喜欢”的信息才足以对它们进行聚类！而且，没有文本可供使用！很容易将itemID与其itemDescription集成。但是，我不需要知道。因此，我已将其从数据框中删除。谢谢。但是，无论如何，这并没有改善轮廓分数。如果我们使用正确的距离度量，该模型将工作得最好，即它将形成正确的集群。此外，为10000个用户计算该距离可能需要很多时间。Hamming是最便宜的度量。甚至比欧几里得距离更简单。在二进制数据上，它只是在单个时钟周期内执行的

XOR

和

POPCNT

指令……但如果数据存储为只包含0和1的整数向量，欧几里德距离几乎相同，精确地说是sqrt（哈明）.@HasQUIT——一个不知名的摩丝，但欧几里德距离给了我一个较低的分数，而且没有任何改善。当您在回答中提到“将矩阵分解为n x k和k x m矩阵，将用户映射到因子，将因子映射到喜欢的对象”时，我可以在用户矩阵n x k矩阵上运行k-modes来查找类似的用户吗？谢谢。但是，无论如何，这并没有改善轮廓分数。如果我们使用正确的距离度量，该模型将工作得最好，即它将形成正确的集群。此外，为10000个用户计算该距离可能需要很多时间。Hamming是最便宜的度量。甚至比欧几里得距离更简单。在二进制数据上，它只是在单个c中执行的

XOR

和

POPCNT

指令