Способы вычислить подобие

Другой способ вычисления (в R) всех парных несходств (расстояний) между наблюдениями в наборе данных. Исходные переменные могут быть смешанного типа. Для обработки номинальных, порядковых и (а)симметричных бинарных данных используется общий коэффициент несходства Гоуэра (Gower, J. C. (1971) A general coefficient of similarity and some of its properties, Biometrics 27, 857-874). Подробнее смотрите на странице 47. Если x содержит любые столбцы этих типов данных, то в качестве метрики будет использоваться коэффициент Гауэра.

Например

x1 <- factor(c(10, 12, 25, 14, 29))
x2 <- factor(c("oily", "dry", "dry", "dry", "oily"))
x3 <- factor(c("medium", "short", "medium", "medium", "long"))
x4 <- factor(c("active outdoor lover", "TV junky", "TV junky", "active outdoor lover", "TV junky"))
x <- cbind(x1,x2,x3,x4)

library(cluster)
daisy(x, metric = "euclidean")

вы получите :

Dissimilarities :
         1        2        3        4
2 2.000000                           
3 3.316625 2.236068                  
4 2.236068 1.732051 1.414214         
5 4.242641 3.741657 1.732051 2.645751

Если вас интересует метод сокращения размерности для категориальных данных (также способ расположить переменные в однородные кластеры), проверьте это

Вам, вероятно, следует поискать

• Интеллектуальный анализ данных и Хранилище данных (обязательно)
• Машинное обучение (Дополнительно)
• Искусственные нейронные сети (особенно SOM )
• Распознавание образов (Связано)

Эти темы позволят вашей программе распознавать сходства и кластеры в вашей коллекции пользователей и пытаться адаптироваться к ним ...

Затем вы можете узнать разные скрытые общие группы связанных пользователей ... (т.е. пользователи с зелеными волосами обычно не любят смотреть телевизор ..)

В качестве совета попробуйте использовать готовые реализованные инструменты для этой функции вместо реализации сам ...
Взгляните на Open Directory Data Mining Projects

Посмотрите на алгоритмы вычисления разницы сртинга. Это очень похоже на то, что вам нужно. Сохраните свои атрибуты в виде битовой строки и вычислите расстояние между строками

Присвойте каждому атрибуту соответствующий вес и добавьте различия между значениями.

enum SkinType
    Dry, Medium, Oily

enum HairLength
    Bald, Short, Medium, Long

UserDifference(user1, user2)
    total := 0
    total += abs(user1.Age - user2.Age) * 0.1
    total += abs((int)user1.Skin - (int)user2.Skin) * 0.5
    total += abs((int)user1.Hair - (int)user2.Hair) * 0.8
    # etc...
    return total

Если вам действительно нужно сходство вместо различия, используйте 1 / UserDifference (a, b)

Три шага для получения простой субъективной метрики для разницы между двумя точками данных, которая может отлично работать в вашем случае:

1. Зафиксируйте все ваши переменные в представительной числовой переменной, например: тип кожи (жирная=-1, сухая=-1), тип волос (длинные=-2, короткие=0, средние=-1), образ жизни (активный любитель активного отдыха=-1, любитель телевизора=-1), возраст - число.
2. Масштабируйте все числовые диапазоны так, чтобы они соответствовали той относительной важности, которую вы придаете им для обозначения различий. Например: Разница в возрасте в 10 лет примерно такая же, как разница между длинными и средними волосами и разница между жирной и сухой кожей. Таким образом, 10 лет по шкале возраста отличаются так же, как 1 по шкале волос отличается от 2 по шкале кожи, поэтому отмасштабируйте разницу в возрасте на 0,1, в волосах - на 1, а в коже - на 0,5
3. Используйте соответствующую метрику расстояния, чтобы объединить различия между двумя людьми по различным шкалам в одну общую разницу. Чем меньше это число, тем больше они похожи. Я бы предложил простую квадратичную разность в качестве первой попытки для функции расстояния.

Затем разницу между двумя людьми можно вычислить с помощью (я предполагаю, что Person.age, .skin, .hair и т.д. уже прошли через шаг 1 и являются числовыми):

double Difference(Person p1, Person p2) {

    double agescale=0.1;
    double skinscale=0.5;
    double hairscale=1;
    double lifestylescale=1;

    double agediff = (p1.age-p2.age)*agescale;
    double skindiff = (p1.skin-p2.skin)*skinscale;
    double hairdiff = (p1.hair-p2.hair)*hairscale;
    double lifestylediff = (p1.lifestyle-p2.lifestyle)*lifestylescale;

    double diff = sqrt(agediff^2 + skindiff^2 + hairdiff^2 + lifestylediff^2);
    return diff;
}

Обратите внимание, что diff в этом примере не имеет красивой шкалы (0..1). Его значение может варьироваться от 0 (нет разницы) до чего-то большого (большая разница). Кроме того, этот метод почти полностью ненаучен, он просто предназначен для быстрого получения рабочей метрики разницы.

Вам следует прочитать эти две темы.

Самый популярный алгоритм кластеризации k - средств

И матрица сходства важны в кластеризации