如何對categories data 做 clustering?

[simplee (simple)]

資料舉例:
用戶可以使用的顏色有五種
white, black, orange, red, blue

one hot encoding後
用戶A  0,0,1,1,0
用戶B  1,0,0,0,1
用戶C  0,1,0,0,0
用戶D  1,0,1,1,0
……etc

備註: 實際上有800多個顏色與幾萬個用戶

目的
1. 想要知道哪些顏色組合性質接近
2. 可視化(希望有word vector的效果)

查了幾個關鍵字還是不太清楚做法

k-means似乎都是對連續值的類聚(好像可以不要用歐幾里得距離， 但也不知道該換什麼)


或可以直接對unary data PCA降維嗎? sci-kit learn, matlibplot畫出來怪怪的。



-----
Sent from JPTT on my Samsung SM-A530F.

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 42.77.73.216
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1535888850.A.D6B.html
→ Mchord: onehot只有一個是1, 照你敘述維度就是800多吧, 怕黏在一起
→ Mchord: 可以試t-SNE
推 germun: Hamming distance
→ germun: 不過binary data用Bernoulli Mixture model可能比較好
→ germun: k-means需要算center, 對binary data的確怪怪的
→ bestchiao: 幾萬個用戶 用tsne會運算頗久
推 whsunset: 也許可以試試把顏色當成詞袋，用類似 topic modeling 的
→ whsunset: 方法來做 clustering?
推 littleyuan: 用support vector clustering呢?
→ simplee: 謝謝關鍵字提供！ 我來研究看看
推 a78998042a: Shannon's diversity index
推 Etern: t-SNE