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？

问题描述

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？

1. 缩放 df 并直接执行 k 均值。
2. 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？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）