如何解决使用相异矩阵和数据矩阵作为 R 中聚类的输入之间的差异？
在使用聚类时，我只是在为输入数据结构苦苦挣扎。
假设我有这样的数据框并且所有变量都是连续变量，然后我想在其上实现 k-means/k-medoids。
df <- data.frame(age = c("20","50","35","45"),height = c("160","178","152","169"),weight = c("50","80","65","57"))
在我看来，有两种实现聚类的方法，但我不确定哪一种具有更好的性能，或者它们只是等效的？
- 缩放 df 并直接执行 k 均值。
- 先计算相异度矩阵，然后再做 k-means。
我知道如果我的数据包含分类变量，我可以利用 Gower 的距离来首先计算相异矩阵并进行聚类，但是我不确定当我的数据不包含时这是不是进行聚类的更好方法任何分类变量？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
