Python KMeans聚类不平衡数据

我有一组数据，包含50个特征（c1、c2、c3…），超过80k行

每行包含标准化数值（范围为0-1）。它实际上是一个标准化的虚拟变量，其中一些行只有很少的特征，3-4（即，如果没有值，则分配0）。大多数行具有大约10-20个特征

我使用KMeans对数据进行集群，总是产生一个包含大量成员的集群。经过分析，我注意到少于4个特征的行倾向于聚集在一起，这不是我想要的

---

是否存在平衡集群？

产生平衡集群不是k-means目标的一部分。事实上，<强>具有平衡簇的解决方案可以是任意坏的< /强>（只考虑具有重复的数据集）。K-means最小化平方和，将这些对象放在一个簇中似乎是有益的

您看到的是在稀疏、非连续数据上使用k-means的典型效果。编码的分类变量、二进制变量和稀疏数据都不适合使用k均值。此外，您可能还需要仔细权衡变量

---

现在，一个可能改善结果的修补程序（至少是感知质量，因为我认为它在统计学上不会使结果更好）是将每个向量归一化为单位长度（欧几里德范数1）。这将强调具有少量非零项的行。您可能会更喜欢结果，但它们更难解释。

特征少于4个的行是否具有相同的对应特征。你有没有尝试过增加kNo的价值，它们有非常不同的特性。我使用肘部方法改变了K值，范围从50到100。显示集群所在的代码部分和输出。