кластеризация

[Настюн]

Ребят,кто-нибудь может объяснить как найти расстояния смешанных данных?
Я изучила метод к-средних для числовых данных,где расстояние Евклидово.Почитала про текстовые данные,есть похожий метод k-means.
А как теперь для числовых и текстовых данных сделать метод общий?

[Stilet]

Впервые о таком слышу.

[f.hump]

легко. написать к-meas так, чтобы он на вход кроме тестового множества перинимал еще и норму этого множества.

[Настюн]

Эээм...А помочь не сможете с этим??Ну или хотя б что куда добавить...Там в данном методе и расстояния формулы нет даже..

[f.hump]

что значит нет?

наверняка строится векторное пространсво с нормой. размерность пространсва выбирается равной размеру словаря. могу предположить, что один вектор описывает один текстовый документ, в самом простом случае компоненты ветора можно выбрать равными частотам вхождения слова в текст. норма строится согласно свойств нормы. и например может быть выбрана в виде text_norm1 = abs(vec).

ну и k-means работает с величиной text_norm1(x_doc - median_doc)

[Настюн]

Ну понятно что "наверняка" есть..просто я в этой теме новичок,я только только изучаю.И нет ли у вас может примеров этого всего?

[f.hump]

не, у меня готовых примеров по теме нет.
но это классическая алгебраическая задача, наверняка есть какой-нибудь опен-сорс по теме.

[Настюн]

жалко..А вообще как вычислить расстояние в текстовых данных?между словами или как это делается?

[f.hump]

для слов, я бы предположил, что размерность пространства выбирается равной размеру алфавита. компоненты вектора выбираются, к примеру, равными наименьшему индексу буквы в слове. ну и норму выбрать в виде

word_norm(word_a, word_b) = (1<<max_word_length) - 1;
for (unsigned int i(0);i<alphabet_size;i++)
word_norm(word_a, word_b) ^= (word_a[i] == word_b[i])<<(max_word_length - word_a[i] - 1);

[Sasha_Smirnov]

Расстояние Левенштейна: habrahabr.ru/post/114997/)/